DEMEA:用于非刚性变形物体的深度网格自编码器
本文提出了一种基于网格自编码器的架构,利用稀疏正则化与卷积运算在处理嘈杂数据和大规模形变的网格时提取局部形变成分,此框架提供了一种以非线性的方式进行基础网格重建的方法,实验表明该方法优于目前的线性组合方法
Sep, 2017
本文介绍了一种基于神经网络和自动编码器的新型框架 —— 网格变分自编码器来研究分析具有形变的 3D 网格,通过在概率潜空间中探索 3D 表面,既可以代表 3D 动画序列,也可以代表同一类别的对象集合,具有大规模非线性形变的多样形状,广泛的实验表明我们的方法可以实现不同的形状性能,如形状生成、形状内插,形状空间嵌入和形状探索,取得了超越最先进方法的结果。
Sep, 2017
该文章提出了一种新的神经网络 (UD^2E-Net) 用于从非刚性形状的密集局部特征中学习预测形状之间的形变,通过外部 - 内部自编码器将物体的几何特征从源到目标进行转换,并引入了一个参数化变形图和一个追踪传播算法来提高变形质量和效率。
Aug, 2021
我们提出了一种无监督的三维形状协同分割方法,通过从形状集合中学习一组可变形部件模板。我们的网络通过选择的部分模板组成每个形状,这些模板经过仿射变换以适应集合中的结构变化。为了最大限度地发挥部分模板的表达能力,我们引入了一个逐部位变形网络,以便对具有实质几何变化的多样部件进行建模,同时对变形能力施加约束,以确保对最初表示的部件的准确性。我们还提出了一种训练方案,有效地克服局部最小值。从体系结构上看,我们的网络是一个分支式自编码器,具有以体素形状为输入的 CNN 编码器,产生逐部位变换矩阵、潜在编码和部件存在评分,以及解码器输出的点占有率来定义重建损失。我们的网络称为 DAE-Net,可以实现无监督的三维形状协同分割,从而产生细粒度、紧凑且有意义的部件,并且在不同形状之间保持一致。我们在 ShapeNet Part 数据集、DFAUST 和 Objaverse 的动物子集上进行了大量实验,展示了优于之前方法的性能。
Nov, 2023
本文介绍了一种新方法,将表面网格的离散化转换为半正则网格,使其具有局部正则性连接和分层网格的性质,并使用空间卷积过滤器和池化算子来处理所有半正则网格,该方法的重构误差比当前最先进的模型低 50%以上。
Oct, 2021
该论文提出了一种可以在数据流分析中自适应构建去噪自编码器 DEVDAN,并以单次学习为基础的方法,通过网络重要性估计来自动添加或修剪输入特征,从而提高分类精度并适应不断变化的环境。
Sep, 2018
通过将外在流形表征嵌入到深度神经网络中,Deep Extrinsic Manifold Representation (DEMR) 方法用于视觉任务,不直接优化复杂的测地损失,而是侧重于优化嵌入欧氏空间内的计算图,以适应不同的架构要求;在两种流形类型 ——$SE (3)$ 及其相关商流形上,提供了理论上的可行性、渐近性质和泛化能力的实验证据。DEMR 在点云对齐和光照子空间学习方面表现出良好的适应性。
Mar, 2024
该研究论文利用深度神经网络与 Lagrangian 力学相结合,提出一种新的加速弹性形变物体模拟的算法,通过利用复杂度有限差分和反向神经自动微分策略,解决了非线性力平衡的挑战,进一步设计了采样网络和加权网络,使得该方法更加具有普适性。
Feb, 2021
本文探讨了将自监督预训练用于基于 transformers 的 3D 网格数据分析的学习范式,并首先将 Vision Transformer 适应到 3D 网格数据处理中,即 Mesh Transformer,并通过 MAE 的启发,在 3D 网格数据上进行自学习,提出了 MeshMAE 方法,可以提供 3D 网格分析任务的最新性能,并证明了我们方法中关键设计的有效性。
Jul, 2022
SDM-NET 是一种深度生成神经网络,用于生成符合形状集合全局部分结构的有结构变形的网格,并通过部分 VAE 在部分几何形状和结构 VAE 的联合学习来确保全局形状结构和表面详情之间的一致性。
Aug, 2019