CVPRApr, 2020

DualConvMesh-Net: 3D 网格上的测地和欧几里得卷积联合

PDF
TL;DR提出了 DualConvMesh-Nets (DCM-Net) 模型，它是一种基于 3D 几何数据的深层分层卷积神经网络，结合了两种卷积类型：测地线卷积和欧几里得卷积，并且还采用了几何处理领域中的网格简化方法来定义网格池化和反池化运算。实验结果表明，我们提出的模型在 3D 语义分割任务上取得了显著的性能提升并在三个场景分割基准测试中获得了竞争性的结果。
发现论文，激发创造
  • 原始对偶网格卷积神经网络

    本文提出了一种将图形神经网络的原始 - 对偶框架扩展到三角网格上的方法，使用动态聚合机制对 3D 网格的边缘和面特征进行聚合分析，并引入一种准确的几何解释来处理网格连接的变化，并在形状分类和形状分割任务中获得与最先进技术相当或更优的性能。

    Oct, 2020

  • VMNet：基于体素 - 网格网络的几何感知三维语义分割

    本篇论文介绍了一种基于体素和网格表达，利用欧几里得信息和测地信息的深度学习体系结构 VMNet 用于室内场景的 3D 语义分割，并在实验证明了其优越性能，尤其是在大规模的 ScanNet 数据集上。

    Jul, 2021

  • MeshCNN: 一种具有边缘的网络

    本文介绍了使用针对三角网格而设计的卷积神经网络 MeshCNN 直接分析 3D 形状的方法，演示了任务驱动池化在应用于 3D 网格的各种学习任务中的有效性。

    Sep, 2018

  • 使用多邻域图卷积的 2D-3D 几何融合网络用于 RGB-D 室内场景分类

    提出了一种 2D-3D 融合策略，将 3D 几何特征和 2D 纹理特征相结合，实现场景分类任务中的多模态融合，并通过多领域图卷积和最近体素池化等策略提高性能。实验结果表明，该方法在 RGB-D 室内场景分类任务中优于当前的技术水平。

    Sep, 2020

  • DC-GNet：用于 3D 人体形状重建的深度网格关系捕获图卷积网络

    本文提出了一种基于图卷积神经网络的深度网格关系捕捉方法，结合形状完整性任务实现单张图像的 3D 人体形状重建，通过在网格节点之间的深度关系编码来解决预定义邻接矩阵的局限性，并通过形状完成任务来学习各种遮挡情况的先验知识减轻了性能退化问题。

    Aug, 2021

  • 基于子网格的网格卷积网络

    本文介绍了 SubdivNet，一个创新且多功能的卷积神经网络框架，用于具有 Loop 细分序列连接性的三维三角网格，其利用网格卷积算子从附近面收集局部特征，支持标准的 2D 卷积网络概念并应用于 3D 三角网格结构中，通过深度池化和上采样等方式可轻松调整 2D CNN 结构以处理 3D mesh。

    Jun, 2021

  • GeoNet: 基于深度测地线网络的点云分析

    GeoNet 是第一个深度学习结构用于对点云表达的曲面的内在结构建模，通过使用 GeoNet 与 PU-Net 和 PointNet ++ 等基线或骨干网络的融合方案来改善多个代表性任务的现有方法，包括点上采样、法向量估计、网格重建和非刚性形状分类。

    Jan, 2019

  • GEOMetrics: 利用几何结构对编码为图的物体进行优化

    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

  • LaplacianNet：基于 Laplacian 编码和汇聚的三维网格学习

    在处理 3D meshes 方面，Laplacian spectral analysis 和 Mesh Pooling Blocks（MPBs）的结合可以更好地处理表面的局部池化和全局信息聚合，并使用 Correlation Net 计算相关矩阵来进行形状分割和分类，模型表现优良。

    Oct, 2019

  • 黎曼流形上的测地线卷积神经网络

    本文提出了一种称为 “测地线卷积神经网络”（GCNN）的新型神经网络，可用于处理形状相关的任务，例如形状描述，检索以及匹配。GCNN 使用局部极坐标系中的局部测地线系统提取 “补丁”，通过一系列过滤器和线性非线性算子，来学习不变的形状特征，从而获得最先进的性能。

    Jan, 2015