May, 2019

用于高质量单视图 3D 重建的深度隐式表面网络

PDF
TL;DR本文提出了一种新颖的用于单视角图像重构三维模型的方法 ——Deep Implicit Surface Network (DISN), 结合全局和局部图像特征以显著提高预测精度，能够捕捉 3D 形状中的细节，包括孔洞和薄结构等，并且在多类形状的合成与实际图像重构中达到了最优性能。
3d reconstructiondeep implicit surface networkimage featuresdetail-rich areassingle-view images
发现论文，激发创造
  • D$^2$IM-Net：从单张图片学习细节分离的隐式场

    本文提出了一种用于从单一视角对三维模型进行重建的模型，使用隐式函数来表示模型的粗略形状，采用细节表征的重建方法来捕捉表面细节。

    Dec, 2020

  • FineRecon: 深度感知前馈网络用于详细三维重建

    本文介绍了三种有效的方法来改善基于内推法的三维重建的精度，分别为：分辨率无关的 TSDF 监督策略、使用多视角深度估计的深度引导策略和使用高分辨率图像特征的新颖体系结构。这些方法可以使三维重建更加精细准确。

    Apr, 2023

  • SDF-SRN: 从静态图像中学习有符号距离三维物体重建

    该论文提出了一种名为 SDF-SRN 的方法，通过 2D 轮廓学习无需多视图注释的隐式三维形状表示，实现了单视图训练，并在合成和真实世界数据集上优于当前技术水平的基于单视图监督的方法。

    Oct, 2020

  • 学习符号距离场进行多视角表面重建

    本研究提出了一种基于神经隐式表达并结合立体匹配和特征保持的新型表面重建框架，使用有符号距离场和表面光场直接表示场景几何及外观，并通过优化多视角特征一致性和渲染图像的保真度来精细化表示几何形状，提高了复杂场景拓扑的重建鲁棒性，实验结果表明相较于现有最优方法，本方法在无需输入蒙版的广阔场景网格重建上具有更佳的表现。

    Aug, 2021

  • 多视角聚合网络用于二分图像分割

    Dichotomous Image Segmentation (DIS) explores the challenge of balancing semantic dispersion and high-precision details in object segmentation. The paper proposes a parsimonious multi-view aggregation network (MVANet) that surpasses state-of-the-art methods in accuracy and speed.

    Apr, 2024

  • 通过视角辨别网络学习区分性三维形状表示

    本文提出了一种基于深度学习的网络 - 视图识别网络（View Discerning Network），使用一个得分生成单元来评估 3D 形状上各个投影图像的质量，并加权以提高 3D 形状识别的效果，分别通过多通道得分单元和局部得分单元来评估不同方面的特征图的质量，并且在 ModelNet 和 ShapeNet Core55 上的实验证明了本文所提的网络表现出色，具有对物体遮挡和背景干扰具有很好的鲁棒性。

    Aug, 2018

  • 通过反向图形学进行 3D 感知场景操作

    本文提出了一种名为 3D-SDN 的深度生成模型，该模型可以生成可解释的、富有表现力的、分离的场景表示，能够支持 3D 感知场景操作，并证明该模型比其 2D 版本表现更优秀。

    Aug, 2018

  • 3DN: 3D 变形网络

    3DN 是一个端到端的网络，可以根据 2D 图像、3D 模型或深度扫描获得的点云将源模型形变为目标模型，并使用可微分的操作进行训练来处理具有不同拓扑结构的网格模型，生成比现有基于学习的 3D 形状生成方法更高质量的结果。

    Mar, 2019

  • 2D GANs 遇见无监督单视角 3D 重建

    提出了一种新的基于图像的神经隐式场方法，该方法利用基于 GAN 生成的多视图图像的 2D 监督，并通过不确定性模块来提高重构性能，从而实现了泛化物体的单视角 3D 重构。

    Jul, 2022

  • NeuSD：多视角文本到图像扩展的表面完整性

    我们提出了一种新颖的方法，用于从多个图像中进行 3D 物体表面重建，其中只捕获了物体的一部分。我们的方法基于两个最新发展：使用神经辐射场进行表面重建，用于重建表面的可见部分，以及使用预训练的 2D 扩散模型的指导（SDS）完成未观察到的区域的形状。我们引入了三个组件：首先，建议使用法线图作为 SDS 的纯几何表示，而不是与外观信息交织在一起的颜色渲染。其次，我们在训练过程中使 SDS 噪声保持固定，这会导致更一致的梯度和更好的收敛性。第三，我们提出了多视角 SDS 作为一种在不对底层 2D 稳定扩散模型进行微调或更改的情况下对非可观察部分的生成进行条件化的方法。我们在 BlendedMVS 数据集上对我们的方法进行评估，结果显示相比竞争方法，我们取得了显著的定量和定性改进。

    Dec, 2023