ICCVSep, 2019

基于拓扑修改网络的单 RGB 图像深度网格重建

PDF
TL;DR该论文提出了一种基于深度学习的单视图网格重建框架，能够从单个 0 维模板网格生成具有复杂拓扑结构的高质量网格，其关键在于交替使用网格变形和拓扑修改两个网络。
3d mesh reconstructionsingle imagedeep learningtopology modificationhigh meshing quality
发现论文，激发创造
  • 单个 RGB 图像生成复杂拓扑网格的骨架桥接深度学习方法

    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

  • Pixel2Mesh++: 多视角下基于变形的 3D 网格生成

    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

  • Image2Mesh: 单张图像三维重建的学习框架

    本文提出了一种使用基于网格的表示来捕捉三维重构任务中的细粒度几何信息的学习框架，它使用自由形变和稀疏线性组合的紧凑网格表示来重建三维物体，相比之前的工作，我们不依赖于轮廓和标记来进行三维重建，并在合成和真实数据集上进行了很有前途的实验结果验证。

    Nov, 2017

  • 从单 RGB 图像生成 3D 网格模型的 Pixel2Mesh

    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

  • 多视图重建中通过体渲染学习拓扑统一的人脸网格

    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

  • 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

  • 从单张图像中学习详细的人脸重建

    本文介绍了一种使用卷积神经网络构建面部几何细节的方法，包括由粗到细的两个网络模块和多阶段的训练阶段，可以从单张图像中提取面部表面。

    Nov, 2016

  • 无需针对每个形状优化，45 秒内将任意单张图像转换为 3D 网格

    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

  • 3DTextureTransformer：对任意网格拓扑进行几何感知纹理生成

    使用名为 3DTextureTransformer 的新颖框架，结合几何深度学习和 StyleGAN 类似的架构，能够在不改变原始高分辨率输入网格拓扑的情况下生成高质量的纹理。该架构在学习来自 3D 几何体和现实世界 2D 图像的情况下，与任意网格拓扑一起工作，取得了该类解决方案中的最新性能。

    Mar, 2024

  • 从 2D GAN 数据中渐进式学习 3D 重建网络

    本文介绍了一种使用生成式对抗网络（GAN）生成的多视角图像数据集重建高质量纹理三维模型的方法，其具有可忽略的注释成本，并通过多阶段学习和在线伪标签生成的新颖对抗学习流水线实现了精细的细节并显著改善了之前的方法。

    May, 2023