基于拓扑修改网络的单 RGB 图像深度网格重建
本文提出了一种基于图卷积神经网络的端到端深度学习架构,从单个彩色图像中生成三角网格的 3D 形状,并采用粗到细的策略、不同级别的网格相关损失来保证生成的几何形状具有良好的视觉效果和物理精度。
Apr, 2018
本文提出了一种骨架连通的分阶段学习方法,利用不同的点云、体积和网格形状表示,通过多阶段输入图像来修正预测误差,实现了从单个RGB图像中学习三维物体表面重构,并通过简单和复杂拓扑的代表性对象类型展示了其优越性。
Mar, 2019
使用图卷积网络从多角度图像中预测一系列形状变形,以进一步提高3D网格表征的形状质量,从而获得高精确度、高可靠性且具有普适性的3D模型。
Aug, 2019
本文针对基于RGB图像学习三维物体表面重建的挑战性任务,通过提出拓扑保持的骨骼形状表示方法,即SkeletonNet设计,结合Skeleton-Based Graph Convolutional Neural Network (SkeGCNN)和Skeleton-Regularized Deep Implicit Surface Network(SkeDISN)模型,有效提高表面重建的性能,并在广义任务设置下取得良好效果。
Aug, 2020
介绍 Deformable Tetrahedral Meshes (DefTet) 作为一种特殊的参数化,利用容积四面体网格用于重建问题,该方法可以同时达到高精度、容积、可学习神经架构,并且可以产生比替代容积方法小得多的网格大小的高保真重建。
Nov, 2020
介绍了一种新的自我交叉消除算法TransforMesh和基于此算法的网格演化框架,可以处理高度变形的网格表面同时保持其流形性质,解决了传统方法中自交和拓扑变化等问题。
Dec, 2020
无需对齐的图像集合,基于拓扑意识的隐式形变场的学习、随后进行形状重构,该方法名为TARS,在多个数据集中均取得了最先进的重构精度(ShapeNet, Pascal3D+, CUB, and Pix3D chairs)。
May, 2022
该研究提出了一种新的方法,使用单个图像进行3D重建,生成了一个完整的360度3D纹理网格,改进于现有方法,具有更好的几何形状和一致性。
Jun, 2023
我们提出了一种面向多视角重建的具有一致拓扑的面网格的网格体渲染方法,通过将稀疏网格特征扩散到周围空间以模拟体渲染所需的辐射场,从而实现对网格几何和隐式外观特征的梯度反向传播,并展示了变形不变性的特性以实现网格编辑后的逼真渲染。
Apr, 2024
本研究解决了从多视角2D RGB图像生成3D模型的技术瓶颈,通过结合CNN和变换器的混合策略,提出了使用自注意力机制的视觉自编码器和3D精炼网络。研究表明,使用新颖的联合训练分开优化(JTSO)算法,所提出的方法在单视图和多视图3D重建中达到了最高的平均交集比(IOU)得分,超越了其他模型4.2%。
Dec, 2024