课程 DeepSDF
介绍了 DeepSDF 方法,它是用于高品质形状表示、插值和完成的一种学习连续有符号距离函数(SDF)的表示,将 3D 几何表示为体积场,并可表示整个形状类。DeepSDF 方法相比以往方法降低了一个数量级的模型大小,同时获得了学习 3D 形状表示和完成方面的最先进性能。
Jan, 2019
利用 Deep Local Shapes 技术实现高质量 3D 形状的编码与重建,将场景分解成局部形状以降低模型的复杂度和提高推导效率。
Mar, 2020
本文研究了使用神经代表距离函数(SDF)进行三维对象表示学习的泛化能力,提出了一个半监督元学习方法,可将形状先验从有标签的数据传输到无标签的数据中,用于重建未知的对象类别,并实现了 100 多个未见过的类别的强大的零 - shot 推理。
Jun, 2022
本文提出了一种改进神经 UDF 学习的方法,通过集中学习表面边缘来提高神经 UDF 对原始 3D 表面的保真度,并提出了一种基于统计学方法的表面边缘检测技术。
May, 2024
介绍了一种基于 StyleGAN2 的深度学习方法来生成三维形状,称为 SDF-StyleGAN,使用隐式有符号距离函数(SDF)作为三维形状表示,并引入两种新的全局和局部形状鉴别器,在形状几何和视觉质量方面显著提高了性能。
Jun, 2022
本研究提出了一种基于局部几何代码学习的模型,通过使用图神经网络将单个可传递的潜层代码拆分成分布在 3D 形状上的一组局部潜层代码,从而改进了原始 DeepSDF 结果,并且在 3D 形状重建方面的实验中,该方法能够保留更多的细节,同时在最重要的定量指标下明显优于原始 DeepSDF 方法。
Aug, 2021
本文介绍了一种新的 3D 形状表示方法,名为 Mosaic-SDF(M-SDF),它通过使用一组分布在形状边界附近的局部网格来近似给定形状的有符号距离函数(SDF)。M-SDF 表示具有高效计算、参数效率和与基于 Transformer 的架构兼容等优点,在 3D 生成流模型的训练中展示了其有效性。
Dec, 2023
本文利用手的结构作为 SDF 的引导,并预测姿势变换的运动链,对高关节手姿势对齐 SDF 进行了改进,最终在 ObMan 和 DexYCB 基准测试中取得了比现有技术更显著的改进。
Apr, 2023
提出了一种基于扩散的 3D 形状生成框架,名为局部注意力 SDF 扩散,可通过 2D 草图图像输入建模可信的 3D 形状,实现局部控制性和模型普适性的提高。
May, 2023