Aug, 2019

带边缘收缩池化的 Mesh 变分自编码器

PDF
TL;DR本文提出了一种基于图卷积的网格平均池化方法，使用改进型网格简化避免产生高度不规则的三角形。在此基础上，提出了一种利用边缩减池化和图卷积的自动编码器结构，能够对 3D 表面进行概率潜空间的探索，并展示了在形态生成、形态插值和形态嵌入等各种应用中其更好的泛化能力和更可靠的性能。
发现论文，激发创造
  • 变分自编码器用于形变三维网格模型

    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

  • 利用高效空间变化核的全卷积网格自编码器

    本文提出了一种不基于模板的完全卷积网格自编码器，其具有高精度的重构能力，能够对任意已注册的网格数据进行编码，对于传统的 3D 网格生成模型而言，其潜在编码具有更高的插值能力。

    Jun, 2020

  • 用于不同大小半正则网格的网格卷积自编码器

    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

  • LaplacianNet：基于 Laplacian 编码和汇聚的三维网格学习

    在处理 3D meshes 方面，Laplacian spectral analysis 和 Mesh Pooling Blocks（MPBs）的结合可以更好地处理表面的局部池化和全局信息聚合，并使用 Correlation Net 计算相关矩阵来进行形状分割和分类，模型表现优良。

    Oct, 2019

  • 原始对偶网格卷积神经网络

    本文提出了一种将图形神经网络的原始 - 对偶框架扩展到三角网格上的方法，使用动态聚合机制对 3D 网格的边缘和面特征进行聚合分析，并引入一种准确的几何解释来处理网格连接的变化，并在形状分类和形状分割任务中获得与最先进技术相当或更优的性能。

    Oct, 2020

  • MeshCNN: 一种具有边缘的网络

    本文介绍了使用针对三角网格而设计的卷积神经网络 MeshCNN 直接分析 3D 形状的方法，演示了任务驱动池化在应用于 3D 网格的各种学习任务中的有效性。

    Sep, 2018

  • 图神经网络的边缩减池化

    本研究提出了一种名为 EdgePool 的图池化层，利用边缩减的概念来学习局部和稀疏的硬池化转换，证明 EdgePool 优于其他池化方法，并且易于集成到大多数 GNN 模型中，提高了节点和图的分类性能。

    May, 2019

  • 使用卷积网格自编码器生成 3D 面孔

    本论文提出了一种基于网格表面的谱卷积模型，该模型能够更好地捕捉面部的非线性变形和表情，使用少量数据训练即能有效地重建三维面部模型。

    Jul, 2018

  • GEOMetrics: 利用几何结构对编码为图的物体进行优化

    本文提出了一种基于图卷积的自适应分裂启发式方法，利用几何对象的图表示的附加结构来提高重建，优化本地表面和全局结构，应用于 ShapeNet 数据集的 3D 物体重建任务中，生成了具有最先进表现的自适应网格。

    Jan, 2019

  • 基于网格的自编码器用于局部变形分量分析

    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