Aug, 2019

基于概率重建网络的单张图片 3D 形态推断

PDF
TL;DR使用基于概率推理的重建框架，探索了基于不同形状表示和适当的学习架构的端到端学习策略，从而实现了从单个图像推断三维形状。通过我们的 Probabilistic Reconstruction Networks，使用基本的体素网格表征，实现了在 ShapeNet 数据集上的新的交集和移动距离评估指标的最新成果。
end-to-end learning3d shape inferenceprobabilistic reconstruction networkslatent variable modelsimage conditioning
发现论文，激发创造
  • 单张图像的三维物体重建点集生成网络

    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

  • 利用自监督形状与姿态网络从图像集合转换为点云

    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

  • 学习从未见过的类别重建形状

    本研究提出一种通用重建算法（GenRe），利用深度和轮廓等 2.5D 表示方法和球形和体素表示方法，旨在捕捉更通用，不受特定类别约束的形状先验知识，实验结果表明该算法可以很好地解决从单张图像还原 3D 形状，并且能够泛化到未在训练中见过的多种不同类别的新物体。

    Dec, 2018

  • 从图像中进行的无监督三维结构学习

    本文提出一种从 2D 图像中学习生成 3D 结构的深度生成模型，并通过概率推断从 3D 和 2D 图像中恢复这些结构，从而实现了第一个纯无监督学习下学习推断 3D 表示的方法，并在几个数据集上建立了基准模型。

    Jul, 2016

  • 3D-R2N2：单视角和多视角三维物体重建的统一方法

    使用深度学习方法，构建一个名为 3D-R2N2 的递归神经网络结构，使用大量的合成数据将图像映射到对应的 3D 形状，无需图像注释或对象分类标签，可以在缺乏纹理或宽基线的情况下，实现对象的 3D 重建，并在单视图重建方面优于现有的最先进方法。

    Apr, 2016

  • 单视角三维重建网络学习什么？

    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

  • 重新思考复投影：从单张图像进行姿势感知形状重建的闭环

    该论文提出了一种新的、基于 2D 注释的单张图像姿态感知的 3D 形状重建方法，通过设计特定的深度学习模型，实现了姿态感知形状的精准重建，并在多个对象类别的测试中验证了该方法的优越性。

    Jul, 2017

  • 学习形状先验用于单视图 3D 补全和重建

    本文提出 ShapeHD，将深度生成模型与马赛克技术相结合，解决了单视角 3D 形状补全和重建的两个层面的问题，并在多个真实数据集上取得了比现有技术领先很多的表现。

    Sep, 2018

  • 使用深度形状先验和轮廓的单视图物体形状重建

    本文提出了一种在线优化的网络结构，通过避免依赖于深层神经网络的初始化，使用了概率形状先验指导深层特征以及图像线索，实现了从单个图像中重建三维形状，且相较于现有最先进方法，得到了可比较的结果。

    Nov, 2018

  • 基于原始图网络的单图像 3D 物体估计

    采用基于原始体的表示法，提出了一个两阶段图网络进行基于原始体的 3D 物体估计的方法，并使用丰富的几何和语义约束来提高了 3D 结构的恢复质量。

    Sep, 2021