CvxNet: 可学习的凸分解
描述了一种将复杂、混乱的室内场景解析为简化的基本结构的方法。这种方法使用学习回归过程将场景从 RGBD 输入解析为固定数量的凸多边形,并可以选择性地接受分割以改善分解。然后使用下降方法调整凸多边形以获得很好的拟合度,并贪婪地去除冗余的基本结构。因为对整个场景进行了解析,所以可以使用传统的深度、法线和分割误差指标进行评估。评估过程表明,我们的基本结构表示的误差与从单个图像预测深度的误差相当。
Jul, 2023
通过使用计算机图形学经典空间数据结构 BSP,我们设计了一种名为 BSP-Net 的网络模型,它能够无监督地学习表示一个 3D 形状,并通过检测一组面来重构一个多边形网格。该模型生成的网格既密封又紧凑,适合表示尖锐的几何体,并且使用更少的基本元素即可达到与其他现有方法相同的重构质量。
Jun, 2021
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
利用基于二叉树空间分割的 BSP-Net 网络实现了无监督的 3D 形状表示学习及多边形网格生成,可高效地将平面分解成凸多边形,生成的网格紧凑、保证充满且易于参数化。
Nov, 2019
该研究提出了一种新的方法,可以同时恢复 3D 对象的几何形状和基于部分的分解,以及它们之间的潜在层次结构,实验证明考虑部分的组织确实有助于推理三维几何。
Apr, 2020
使用卷积深度置信网络将几何 3D 形状表示为 3D 体素网格上的二元变量的概率分布,以实现物体识别和根据 2.5D 深度图形完成 3D 形状恢复等多个方面的任务,利用构建的大规模 3D CAD 模型数据集 - ModelNet 进行训练,可以在各种任务中显著提高性能。
Jun, 2014
本文探讨了测量人 - 机器对齐中机器学习的潜在空间中概念凸性的方法,并在多个应用领域的深度神经网络中评估了这种_convexity_。研究表明,类标签区域的预训练凸性预测了随后的微调表现。
May, 2023
本文在单目图像 3D 形状重建领域引入了组合通用性的概念,并提出了一个新的框架来 better generalize 到那些有着非常不同的形状几何分布的看不见的目标类别。实验证明,我们的方法在 PartNet 中达到了比最先进的方法更高的性能,验证了我们的问题分解和网络设计的有效性。
Dec, 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
介绍一种凸化卷积神经网络方法,利用再现核希尔伯特空间将卷积滤波器表示为向量,并将 CNN 参数表示为低秩矩阵,进而通过凸优化求解 CNN,其泛化误差与最优 CNN 一致,CCNNs 通过逐层训练使其在性能上与基线方法相当。
Sep, 2016