May, 2020

Point2Mesh: 可变形网格的自学先验

PDF
TL;DR本文提出了 Point2Mesh 技术，它可以从输入的点云重建出表面网格，使用了深度神经网络自动定义先验，并通过优化整个形状的卷积核来实现全局优化以适应整个物体。与传统的重建方法相比，Point2Mesh 对现实世界的非理想条件更具鲁棒性。
发现论文，激发创造
  • 基于深度混合自学习的全三维网格生成

    提出一种利用深度神经网络的全新 2D-3D 自先验策略的深度学习流程来重构含有三角网格和纹理贴图的完整 3D 模型，实验证明该方法不仅无需额外的训练数据即可从稀疏输入中恢复出高质量的 3D 纹理网格模型，而且在几何和纹理质量上均优于现有方法。

    Aug, 2021

  • 深度几何先验用于表面重建

    使用深度神经网络作为几何先验来实现基于点云的离散曲面重建，无需训练数据或显式正则化，实验表明该几何先验可用于处理包含尖锐特征和平滑有机物体的三维数据。

    Nov, 2018

  • Pixel2Mesh++: 多视角下基于变形的 3D 网格生成

    使用图卷积网络从多角度图像中预测一系列形状变形，以进一步提高 3D 网格表征的形状质量，从而获得高精确度、高可靠性且具有普适性的 3D 模型。

    Aug, 2019

  • 基于预测内外在比率指导的点云网格化

    本文提出了一种新的基于深度学习的方法，旨在从点云中重建物体表面网格表示，通过预测点云中三元组之间的连通性关系来生成高质量网格，并证明该方法在处理细节保留、模糊结构等实际问题时表现良好。

    Jul, 2020

  • Point2Skeleton: 从点云学习骨骼表示

    使用无监督学习方法，通过中轴变换来捕捉点云的内在几何和拓扑特性，从而产生更为通用的骨架结构，并利用此学习结果可以促进点云的表面重建和分割。

    Dec, 2020

  • Point2SSM: 从点云中学习解剖结构的形态变异

    Point2SSM 是一种新颖的无监督学习方法，它可以直接从点云构建基于对应的解剖学统计形态模型（SSM），克服了传统方法的局限性，并且应用于构建解剖学 SSM 上的结果要优于现有网络，可以更好地捕捉人群水平的统计数据。

    May, 2023

  • 基于几何先验的深度人体点云几何压缩

    本文提出了一种基于人体几何先验知识的点云压缩框架，通过减少几何冗余以及提供拓扑学约束，实现了对高分辨率的人体点云数据的压缩，该方法在不降低数据质量的情况下，显著提高了压缩性能。

    May, 2023

  • 多模态非刚性三维形状匹配的自监督学习

    通过将基于网格的功能映射正则化与连续损失相结合的自监督多模态学习策略相结合，我们提出了一种形状匹配方法，它能够针对三角形网格、完整点云和部分观测点云获得同模式和跨模态的对应关系，并在多个基准数据集上取得了最先进的结果，具有先前未见的跨数据集普适性。

    Mar, 2023

  • 零样本点云完整性基于二维先验

    通过利用 2D 先验和点渲染技术，提出一个零样本的框架，用于完成部分观测到的点云，实验结果表明该方法能够优于现有方法并完成各种对象的形状恢复。

    Apr, 2024

  • 使用自监督图卷积网络学习网格修复的自我先验

    本研究提出一种自我先验的网格修补框架，通过引入两个自监督图卷积网络训练来实现，从而在不需要任何训练数据集的情况下只需一个不完整的网格作为输入，并在修补过程中保持原始多边形网格格式，最终可以生成一个修补好的多边形网格。

    May, 2023