Oct, 2019

PRS-Net：三维模型平面镜像对称性检测网络

PDF
TL;DR本文提出了一种基于卷积神经网络的无监督学习框架，以自动发现三维形状的全局平面镜像对称性，并可识别广义圆柱体旋转轴。该方法相较于现有基于采样的方法快数百倍，即使在有噪音或不完整的输入表面数据下也很稳健。
发现论文，激发创造
  • 从部分点云中循环估计反射对称平面

    该论文提出了一种新的方法，使用二维卷积递归回归方案，通过对高度维度的切片来处理 3D 数据，并设计了一种估计平面对称性的方法，既可以处理完整的数据，也可以处理真实世界的部分扫描数据，以提高三维物体探测器的输出。

    Jun, 2021

  • NeRD: 神经网络 3D 对称性反射探测器

    本研究介绍了 NeRD，一种神经 3D 反射对称性检测器，可以准确地恢复对象的镜像平面的法线方向，并证明检测到的对称性可用于提高下游任务（如姿态估计和深度图回归）的性能。

    Apr, 2021

  • 超越平面对称性：模拟野外环境下人类对反射和旋转对称性的感知

    本论文介绍了 Sym-NET，这是第一个用于检测深度学习神经网络的反射和旋转对称性的模型，在人类感知的对称性、基于图像的计算机视觉竞赛中获得了最佳表现。

    Apr, 2017

  • SymmetryNet：从单视角 RGB-D 图像中学习预测 3D 形状的对称性（反射对称性和旋转对称性）

    本篇研究提出了一种深度神经网络方法，可以从单视角 RGB-D 图像中检测三维物体的反射和旋转对称性，并可以预测其对称轴和对称对应关系，同时具有极强的泛化能力，能够处理不同形状、多重对称以及新物体种类的情况。

    Aug, 2020

  • PlanarNeRF：使用神经辐射场在线学习平面基元

    通过在线学习检测稠密的三维平面，PlanarNeRF 在计算机视觉中具有重要作用，它的灵活架构允许在 2D 监督和自监督解决方案中有效学习，显著提高了训练效率。

    Dec, 2023

  • 通过极化匹配卷积学习发现反射对称性

    使用极线匹配卷积技术，通过引入极向特征汇集、自相似编码和不同角度轴的系统内核设计消除了普通卷积神经网络的旋转和对称不变的限制，并通过数据集增强的自监督学习策略，成功地从真实世界的图像中发现对称图案，证明了该方法具有更高的准确性和鲁棒性。

    Aug, 2021

  • 通用反射光度立体的神经反渲染

    本研究提出了一种用于光度立体图像的卷积神经网络结构，通过物理学建模的无监督学习框架，可以进行表面法线和反射率预测，并且在实际场景中达到了最先进的性能表现。

    Feb, 2018

  • 通过配准找到镜面对称

    介绍了一种称为 “Mirror Symmetry via Registration (MSR)” 的新对称性检测方法，其通过数据反射、数据注册和计算反射和注册映射的矩阵的特征值向量等步骤来检测镜像对称性，同时提出了一种基于随机样本一致性的新型 2D 数据配准方法，并在对不同数据库的测试中获得了最先进的性能和结果。

    Nov, 2016

  • SYM3D：学习对称三视平面提升 GAN 的三维感知能力

    提出了 SYM3D，一种新颖的 3D-aware GAN，通过利用自然和人造物体中普遍存在的反射对称结构，结合提出的视角感知空间注意机制来学习三维表示，从而在只使用单视图图像进行训练时捕捉详细的几何和纹理，同时证明了在文本到三维任务中利用对称性正则化有助于减少模型中的伪影。

    Jun, 2024

  • PX-NET：光度立体网络简单高效的像素训练

    该研究旨在提出一种新型的像素训练规程（PX-NET），它通过在独立像素生成数据上替换全局渲染图像的训练数据来实现对物体几何结构的迅速恢复，在结构和性能上都优于同类像素方法。

    Aug, 2020