使用对抗网络从图像集合推断三维形状
本文提出了一种称之为 “PrGANs” 的方法,能够在无监督学习的情况下,训练出一个能够从二维视角中通过投影反推出三维结构分布的生成式模型,并能够实现从输入图像中预测三维形状和视点,并生成新视图的功能。
Dec, 2016
本文提出了一种新颖的框架,即 3D 生成对抗网络(3D-GAN),通过利用体积卷积网络和生成对抗网络的最新进展,从概率空间生成 3D 对象,并具有生成高质量 3D 对象、无先验 CAD 模型或图像依赖性、生成器从低维概率空间到 3D 空间的映射以及训练出的无监督深度学习的 3D 描述符等优点,在 3D 对象生成及识别等方面取得了令人印象深刻的性能。
Oct, 2016
利用弱监督学习的多投影生成对抗网络方法生成特定类别的三维形状和进行高维分布的学习,同时不需要完整的三维形状信息,只需要二维边缘图和多视角的二维投影信息。
Jun, 2019
PlatonicGAN 通过训练神经网络生成 3D 模型,结合 2D 图像投影生成多种相机角度下的 2D 图像,支持无结构的 2D 图像集合恢复 3D 结构,并通过实验证明了其对于 3D 监督方法的优越性。
Nov, 2018
本研究提出了一种新方法,用于通过生成式对抗网络(GAN)训练理解物体的详细三维形状以及从二维图像中重建三维形状和形状完成。该方法使用梯度惩罚的 Wasserstein 距离作为训练目标,从而从联合对象形状分布中获得更好的生成效果,并在与现有基线比较中取得了明显的数量级改进。
Jul, 2017
本文介绍了一种从自然图像中学习生成 3D 形状的生成模型的全面无监督方法,其中利用 GAN 等深度学习技术实现,从而生成出真实的三维图像,实现了从二维图像向三维图像的转换。
Oct, 2019
本文提出利用生成对抗网络(GAN)为新手用户设计真实世界形状,使用具有简单界面的体素网格进行编辑。该方法的主要优势是通过学习投影和生成算子来协助用户创建背景分布对象形状的 3D 模型,同时不必指定所有细节。通过该算法及工具的实验表明 GAN 是计算机辅助交互建模的一种有前途的方法。
Jun, 2017
从多样且非结构化的 Imagenet 数据集中,我们提出了一种从二维图像中重建三维几何模型的方法,使用高效的三平面表示法学习三维模型,并基于 StyleGAN2 的生成器架构对高度多样化的数据集进行调整,通过多视点辨别防止模式崩溃并提升训练稳定性。
Jan, 2024
本文提出了一种新颖的 3D-RecGAN 方法,使用生成对抗网络从单个任意深度视角重建给定对象的完整三维结构,在高维体素空间中通过结合自动编码器和条件生成对抗网络框架的生成能力恢复物体的准确和细粒度的三维结构。广泛的实验表明,该方法在单视角 3D 物体重建方面明显优于现有技术,且能够重建未被见过的物体类型。
Aug, 2017