ECCVMar, 2020

多模态形状补全的条件生成对抗网络

PDF
TL;DR这篇论文提出了一种用多模式条件生成模型进行多维形状补全的方法，能够消除单一输出方法存在的不确定性以获得更多的结果。通过多个数据集的实验，证明了该方法的多样性和质量。
deep learningshape completionmulti-modalconditional generative modelingambiguous reasoning
发现论文，激发创造
  • 通过风格调制的生成对抗网络实现多样化的形状补全

    通过引入多样性惩罚和多尺度鉴别器，我们提出了一种新颖的条件生成对抗网络，可以从部分观察到的点云中生成多种多样的合理完整形状，这一方法在尊重部分观测的同时获得了更大的完成多样性。

    Nov, 2023

  • 概率隐式场景补全

    该研究提出了一种面向大规模 3D 场景连续几何的概率形状完成方法，该方法利用生成细胞自动机学习多模态分布，通过稀疏体素嵌入渐进式生成连续形状，其训练目标最大化完整形状分布的变分下限，并通过实验证明了相比于确定性模型，该方法在几何完成方面的表现更佳。

    Apr, 2022

  • 基于图卷积自编码器的可变形形状补全

    本论文提出一种新的深度学习方法，利用可变自编码器和图形卷积运算来实现对非刚性变形物体进行局部补全，对合成和真实扫描的人体和面部网格进行了实验，显示出有前途的结果。

    Dec, 2017

  • 多元化图像补全

    本论文提出了一种能够生成多个不同、合理且高质量的图像修复结果的方法，其中包括条件变分自编码器 (CVAE)、生成对抗网络 (GAN)、新型的短 + 长期注意力层，它们能够有效地提高修复结果的多样性和外观连贯性，实验表明该方法能够在不同的数据集上生成具有更高画质的图像修复结果。

    Mar, 2019

  • SDFusion: 多模态 3D 形状完成，重建和生成

    该论文提出了一种新的框架，用于简化业余用户的 3D 资产生成。这种方法支持多种输入模态，并能够对每个输入的强度进行调整，从而允许用户同时使用不完整的形状、图像和文字描述来生成形状，并提供每个输入的相对权重和互动性。

    Dec, 2022

  • 随机缺失输入数据的多域图像补全

    本文提出了一种基于生成对抗网络 (GAN) 的多领域图像完成方法，该方法使用表示学习技术在多个领域中提取共享骨架编码和分离的肉体编码，以完成实际应用中可能出现的领域数据缺失问题，并证明所学习的表示方法对高级任务具有潜在价值。

    Jul, 2020

  • P2M2-Net：基于部件感知的引导式多模态点云补全

    我们提出了一个基于提示的点云补全框架，名为 P2M2-Net，用于更可控和多样化的形状补全。通过使用 Transformer 模型，我们的框架能够高效地融合多模态特征并按照提示指导生成多样化的结果。我们在一个新的大规模 PartNet-Prompt 数据集上训练 P2M2-Net，并在两个具有挑战性的形状补全基准上进行了广泛实验。定量和定性结果表明了引入提示进行更可控的部分感知点云补全和生成的有效性。

    Dec, 2023

  • 基于协同调制的生成对抗网络进行大规模图像补全

    提出了一种基于深度学习的图像补全方法，该方法通过融合条件生成和最近的无条件生成的模型结构，引入共同调制的方式来提高大规模缺失区域图像的补全质量，并使用新的 P-IDS/U-IDS 算法来提供真实图像的知觉保真度量化，综合实验数据表明，在自由形式图像补全和图像翻译方面，该方法的质量和多样性性能均优于现有方法。

    Mar, 2021

  • 学习形状先验用于单视图 3D 补全和重建

    本文提出 ShapeHD，将深度生成模型与马赛克技术相结合，解决了单视角 3D 形状补全和重建的两个层面的问题，并在多个真实数据集上取得了比现有技术领先很多的表现。

    Sep, 2018

  • 生成性人脸补全

    本文提出一种基于深度生成模型的有效面部完成算法，通过神经网络直接生成缺失区域的内容，并通过重构损失、两种对抗性损失和语义分割损失进行训练，能够处理任意形状的大面积丢失像素并生成逼真的面部完成结果。

    Apr, 2017