基于图像的三维物体重建:深度学习时代的现状和趋势
本论文介绍了一种基于卷积神经网络和生成随机几乎逼真的面部图像的方法,可以通过单张照片快速、稳健地重建面部的三维几何结构,即使在极端表情和各种光照条件下也可以成功恢复面部形状。
Sep, 2016
本文综述了近五年来使用深度学习技术从单个或多个图像中估计深度的 100 多个关键性贡献,总结了最常用的深度重建流程及其优缺点,并讨论了其研究的未来。
Jun, 2019
本文提出了一种使用深度学习技术进行 3D 面部重建的新方法,其中使用了混合损失函数进行弱监督学习,同时利用多个图像进行面部重建,实现了快速、准确、鲁棒的重建效果,对不同数据集进行了综合实验,并与 15 种现有方法进行了比较,证明了其性能处于领先地位。
Mar, 2019
提出了一种深度学习技术,用于从单个图像进行三维物体重建。与以往的方法不同的是,该方法使用只有单一视角的图像进行训练,并具有自我监督学习能力,可实现与使用更多监督信息的方法相媲美的性能。该方法还可以进行测试时间优化。
May, 2020
本文提出了一种基于卷积神经网络的数据驱动方法来解决 3D 物体重建中的下一个最佳视角问题,验证实验表明,该方法在预测下一个最佳视角、提高物体重建覆盖率和提高运算速度等方面,都有很高的性能表现。
Jan, 2021
使用深度神经网络从单一图像中重建 3D 点云坐标,设计了面对真实世界几何转换不变性和地面真实性模糊的问题的新型方法,包括条件形状采样器,能够预测多个可能的 3D 点云。在实验中表现优异,不仅在单图像 based 3D 重建基准测试中胜过现有技术,也在形状补全方面表现出强大性能,有望在多个可能性预测方面表现出色。
Dec, 2016
本文回顾了 3D CNN 在医学图像分析中的应用历史及数学描述,并总结了不同领域中 3D CNN 的研究成果,如分类、分割、检测和定位,同时讨论了医学成像领域(以及深度学习模型的使用)中面临的挑战和未来趋势。
Apr, 2020
本文介绍了一种基于像素输入和 3D 刚性类别的输出的自动化流程,通过从现有物体检测数据集中学习可变形的 3D 模型并结合底层模块进行高频率形状细节恢复,实现了在单幅图像中获取真实场景下物体的三维表面重建,通过在最近引入的 PASCAL 3D + 数据集上的全面定量分析和消融研究展示了非常令人鼓舞的自动重建效果。
Nov, 2014
该研究提出了两种替代方法进行单视图对象重建,并证明了编码器 - 解码器方法与这些基线方法在统计上是无法区分的,从而表明当前单视图对象重建技术实际上是在进行图像分类,而非重建。同时,研究者还发现了实验程序中存在的一些问题,并提出了改进方法。
May, 2019