SDM-NET: 结构可变网格的深度生成网络
介绍了一种深度神经网络 DSG-Net,通过变分自编码器在分层结构上同时学习结构和几何形状,并使用条件部分 VAE 表示高质量的几何细节,从而实现了 D 形状生成的可控、高质量和可分离表示。
Aug, 2020
通过将网格生成相关的微分方程嵌入神经网络的损失函数中,我们提出了一种新的方法,3DMeshNet,用于三维结构化网格的生成。该方法以几何点为输入,学习参数化和计算域之间的潜在映射,并通过前向神经预测高效地输出具有用户定义的四边形 / 六面体单元数的三维结构化网格。实验表明,3DMeshNet 稳健且快速,并且与传统的网格划分方法相比,产生优越的网格,并且相对于其他基于神经网络的方法减少了高达 85% 的训练时间,将网格生成开销降低了 4 至 8 倍。
May, 2024
我们提出了一种无监督的三维形状协同分割方法,通过从形状集合中学习一组可变形部件模板。我们的网络通过选择的部分模板组成每个形状,这些模板经过仿射变换以适应集合中的结构变化。为了最大限度地发挥部分模板的表达能力,我们引入了一个逐部位变形网络,以便对具有实质几何变化的多样部件进行建模,同时对变形能力施加约束,以确保对最初表示的部件的准确性。我们还提出了一种训练方案,有效地克服局部最小值。从体系结构上看,我们的网络是一个分支式自编码器,具有以体素形状为输入的 CNN 编码器,产生逐部位变换矩阵、潜在编码和部件存在评分,以及解码器输出的点占有率来定义重建损失。我们的网络称为 DAE-Net,可以实现无监督的三维形状协同分割,从而产生细粒度、紧凑且有意义的部件,并且在不同形状之间保持一致。我们在 ShapeNet Part 数据集、DFAUST 和 Objaverse 的动物子集上进行了大量实验,展示了优于之前方法的性能。
Nov, 2023
通过使用部件感知深度生成网络 (PAGENet) 建模三维形状的变化,利用每个部件的 VAE-GANs 生成具有语义感知的部件,并使用部件组装模块将它们组装在一起,从而减少了建模三维形状变化的难度。该模型在语义形状分割和基于部件的形状编辑等应用中取得了可信度高、多样性和细节丰富的三维形状的生成效果。
Jun, 2019
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
SAGNet 是一种结构感知型生成模型,通过自编码器将某类物体的部件几何和部件间关系的结构特征联合学习,并在潜在空间中进行了嵌入。SAGNet 的编码器将几何和结构特征交错成单一潜在代码,而解码器可以解开特征并重构 3D 模型的几何和结构。
Aug, 2018
StructureNet 是一种基于层次图网络的生成模型,可以对以各种方式变形、修改的 3D 形状进行编码。它可以用于生成大量逼真的结构形状几何,也可以通过从未标记的图像、点云或部分扫描中直接发现形状结构,同时还能够用于形状生成、插值和编辑。
Aug, 2019
本文提出了一种名为神经体维网格生成器的神经网络模型,可以从随机噪声或参考图像中生成高质量的三维网格结构,并且通过比较实验,证明了这种方法在使用体素作为输入时相对于其他最先进的方法更具有稳健性,并且拥有更好的性能。
Oct, 2022
本文提出了一种名为 Decomposer-Composer 的新型神经网络结构,用于基于语义结构的 3D 形状建模,采用自编码器技术,在嵌入空间上进行分解 - 合成操作,并通过引入显式的学习部分变形模块,使得该网络能够实现部件级的形状操作,具有较高的性能表现。
Jan, 2019