基于相似域网络的径向基函数参数化形状建模和骨架提取
介绍了DeepSDF方法,它是用于高品质形状表示、插值和完成的一种学习连续有符号距离函数(SDF)的表示,将3D几何表示为体积场,并可表示整个形状类。DeepSDF方法相比以往方法降低了一个数量级的模型大小,同时获得了学习3D形状表示和完成方面的最先进性能。
Jan, 2019
本文提出了一种骨架连通的分阶段学习方法,利用不同的点云、体积和网格形状表示,通过多阶段输入图像来修正预测误差,实现了从单个RGB图像中学习三维物体表面重构,并通过简单和复杂拓扑的代表性对象类型展示了其优越性。
Mar, 2019
本文介绍了一种基于U-net模型和HED架构的方法,用于通过提取形状像素中的骨架像素来训练模型,以达到准确提取89种不同物体的骨架的目的,其F1分数达到了0.77。
Jul, 2019
本文提出了一种名为IF-Nets的新模型来解决从不同类型的三维输入中恢复和补全三维物体的问题,IF-Nets可提取深度特征,保留输入数据中存在的细节,并可以重建活动的人体模型。实验证明IF-Nets在ShapeNet中的三维物体重建和人体重建方面明显优于以往的工作。
Mar, 2020
该研究提出了一种基于 SDFNet 的创新方法,可以通过仅仅一张图像实现对物体的三维形状进行准确预测,相对于 GenRe 和 OccNet 方法来说,该方法在对已知和未知物体的形状重建方面实现了最优性能。
Jun, 2020
本文针对基于RGB图像学习三维物体表面重建的挑战性任务,通过提出拓扑保持的骨骼形状表示方法,即SkeletonNet设计,结合Skeleton-Based Graph Convolutional Neural Network (SkeGCNN)和Skeleton-Regularized Deep Implicit Surface Network(SkeDISN)模型,有效提高表面重建的性能,并在广义任务设置下取得良好效果。
Aug, 2020
提出了一种新的三维形状表示方法,用于从单个图像中重建三维形状。通过训练神经网络生成训练集,再利用元学习方法进行双层优化,建立了三维形状分析和少样本学习之间的联系。该方法结合了训练数据生成网络与双层优化算法,可以联合训练,提高了三维形状重建的标准基准上的性能。
Oct, 2020
本文提出了一种基于上下文信息并采用UNet结构的注意力模型 CANet 来提取轮廓骨架像素,同时采用距离变换和加权重点损失等技术来取得优秀的结果,并在 Pixel SkelNetOn 竞赛中获得了第一名。
May, 2022
从部分和嘈杂的三维点云扫描中隐式三维表面重建是经典的几何处理和三维计算机视觉问题。本文提出了一种基于局部支持紧致径向基函数的线性隐式表面表示,并通过使用带标记距离场(SDF)数据进行监督学习,学习了物体的三维表面的线性隐式形状表示。所提出的方法在基准数据集上实现了更好的Chamfer距离和可比较的F-score,并通过应用于三维形状完成任务展示了其有效性。
Feb, 2024