无监督学习内在结构表示点
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
本研究探索如何用更简单、直接的编码方法来表示 3D 几何形状,以提高几何处理效率并避免数据保真度损失。实验结果表明,该方法能在非刚性形状一致性估算方面取得竞争优势。
Sep, 2018
提出了一种无监督方法来生成带有细微结构的 3D 点云,使用自适应采样来不规则地采样 2D 轮廓图像中的点,从而解决不同视角采样的一致性问题,使用 2D 投影匹配方法和深度神经网络,学习精确的结构信息,从而使其能够恢复细节丰富的 3D 结构,其表现优于其他相关基准算法。
Aug, 2021
我们介绍了一种新颖的基于学习的方法,用于编码和操作 3D 表面网格。我们的方法专门设计用于创建可解释的可变形形状集合的嵌入空间。与以前需要网格处于一对一对应关系的 3D 网格自编码器不同,我们的方法是以无监督的方式训练的,可以处理各种各样的网格。我们方法的核心是一种谱池化技术,它建立了一个通用的潜空间,摆脱了网格连通性和形状类别的传统限制。整个过程包括两个阶段。在第一阶段,我们采用函数映射范例以无监督的方式提取一组形状之间的点对点映射。然后利用这些点对点映射构建一个公共的潜空间,以确保直观解释和独立于网格连通性和形状类别。通过大量实验证明,我们的方法实现了优秀的重建,并产生了比基准方法更真实、更平滑的插值。
Oct, 2023
基于聚类的监督学习方案用于点云分析,通过在点嵌入空间上进行类内聚类来自动发现子类模式,进而重构嵌入空间以提高鲁棒性;该算法在各种 3D 网络架构上表现出明显的改进,并在知名点云分割数据集和 3D 检测中显示出实用性。
Jul, 2023
本论文提出了一种新的 3D 语义实例分割方法,利用子流形稀疏卷积网络同时生成语义预测和实例嵌入,通过结构感知的损失函数和基于关注度的 k 最近邻算法获取区分嵌入,加入图卷积网络以获取精细嵌入并输出语义和实例预测,实验结果表明该方法在 ScanNet 基准和 NYUv2 数据集上优于所有最先进方法.
Feb, 2019
本文提出将形状表示为可学习的三维基本结构的变形和组合,并演示了学习到的基本结构在三维形状生成和匹配方面的显著改进,通过区块变形学习和点翻译学习两种方法,在 ShapeNet 对象重建和人体扫描之间的稠密对应估计中取得了比现有方法更好的结果。
Aug, 2019
该研究提出了一种无监督的多任务模型,用于联合学习点云上的点和形状特征,并定义了三个无监督任务来训练多尺度基于图形的编码器。结果表明,与之前的无监督模型相比,该模型在形状分类和分割基准上表现优异。在 ModelNet40 分类任务中,准确率达到 89.1%,在 ShapeNet 分割任务中,mIoU 为 68.2%,准确率为 88.6%。
Oct, 2019
通过动态地关注具有一组可学习网络控制的不同权重分布的匹配距离,我们提出了一种简单但有效的重构损失,即可学习的 Chamfer 距离(LCD)。通过训练对抗策略,LCD 学习搜索重构结果中的缺陷,并克服了静态匹配规则的缺点,同时还可以保证低迭代次数时的性能,并且具有更快的收敛速度和可比较的训练效率。
Dec, 2023
介绍了第一种完全无监督的对变形三维图形进行对应学习的方法,通过理解自然变形的形态变化近似保持曲面的度量结构,提出了一种驱动学习过程的自然准则,从而克服了对带注释数据的需求,并取而代之的是一种纯几何标准,学习模型不分含义类别,能够利用任何类型的可变形几何数据进行训练,相对于现有的专门针对训练期间观察到的类别的监督方法,我们展示出更强的泛化能力和应用于各种具有挑战性设置的能力,在广泛的对应基准测试中展示了我们的方法,在精度、泛化能力和效率方面均超过了其他方法。
Dec, 2018