学习局部邻域结构以实现鲁棒的三维形状表示
该研究提出了一种新颖的图卷积算子,通过动态地计算网络所学习到的特征与图上邻域之间的对应关系来实现任意连接的图邻域与滤波器权重之间的对应关系,并通过实验结果验证该方法可以从原始输入坐标学习有效的形状表示,而不依赖于形状描述符。
Jun, 2017
本研究介绍了一种基于各向异性扩散核的内在卷积神经网络 (Anisotropic Convolutional Neural Network, ACNN),该网络通过学习复杂形态变化的不变性,能够在极具挑战性的设置中高效地学习可变形形状间的内在密集对应关系,并在最近的对应基准测试中取得了最新的最佳结果。
May, 2016
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
本文提出一种新颖的 3D 形状的全局表示方法,将其表示为多层高度图 (MLH),通过使用 2D 卷积神经网络 (CNN),能够高效地实现在输入分辨率上具有高内存效率,利用 MLH 描述符和多视角融合来实现在 ModelNet 数据集分类方面达到最先进的结果。
Jul, 2018
通过拍摄来自不同视角的 3D 点的表征,利用投影卷积神经网络架构来学习物质感知描述符,从而实现物质感知的 3D 形状分析,并且通过众包的方式构建了一个 3D 形状数据集,证明了其学习描述符在自动纹理、物质感知检索和物理模拟中的有效性。
Oct, 2018
该论文设计了一种新颖的 LSA 层,可以学习生成基于局部区域内的空间关系的空间分布权重,从而捕捉局部几何结构,进一步提出了基于 LSA 层的 LSANet,可以更好地在网络设计中汇聚特征与空间信息。实验表明,我们的 LSANet 在评估具有挑战性的基准数据集时可以达到和甚至更好的性能。
May, 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
本文提出了一种新颖的图卷积算子,通过对网格的本地顺序强制执行连续性,实现对固定底层图形的归纳偏差建模,并将其作为传统深度生成建筑的构件,以多种 3D 形状数据集为例,与线性 Morphable Model 和其他图卷积算子相比,展示出最先进的结果。
May, 2019