Jun, 2020

SALD：利用导数进行符号无关学习

PDF
TL;DR本文介绍了用于从点云、三角面片或未定向网格直接学习形状的方法 ——SALD（基于符号不敏感学习的带导数隐式函数表示），该方法将导数与点云数据的无符号距离函数相结合，通过优化回归损失，得到一个带符号的高质量隐式函数解。作者在 ShapeNet 和 D-Faust 数据集上进行了实验证明了此方法的高效性和在有向网格和原始三维扫描方面的表现优异。
发现论文，激发创造
  • 从原始数据中无差别地学习形状的 SAL 算法

    本文介绍了一种神经网络深度学习的方法，用于直接从原始的几何数据（如点云和三角形网格）中学习隐式形状表示，并已在表面重建和人形态空间学习等领域取得最先进的成果，使得几何深度学习在真实世界的数据上应用变得更加便利。

    Nov, 2019

  • A-SDF: 学习解耦有符号距离函数以表示关节形状

    该研究论文提出了一种使用关节的带符号距离函数来表示动态物体的连续重建方法，并实现了对动态物体建模的控制和动画。

    Apr, 2021

  • SDF-SRN: 从静态图像中学习有符号距离三维物体重建

    该论文提出了一种名为 SDF-SRN 的方法，通过 2D 轮廓学习无需多视图注释的隐式三维形状表示，实现了单视图训练，并在合成和真实世界数据集上优于当前技术水平的基于单视图监督的方法。

    Oct, 2020

  • GenSDF: 通用有符号距离函数的两阶段学习

    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

  • 特征空间中基于符号距离函数的零级集少样本学习

    该研究探讨一种新的基于点云的形状重建方法，利用隐式神经网络条件机制，并提出了一种应用梯度的元学习方法以从特征空间学习隐式神经签名距离函数。通过将输入点云作为支持上下文来训练解码器，该方法在隐式重建方面表现良好。

    Jul, 2022

  • 从原始点云逐步学习具有一致性感知的无符号距离函数

    本研究提出了一种从原始点云直接学习一致性感知无符号距离函数的新方法，以进行表面重建，同时引入了多边形化算法以直接从学习的 UDF 的梯度场中提取表面。实验结果表明，在合成和真实扫描数据的表面重建方面，该方法在广泛使用的基准测试中明显优于现有技术。

    Oct, 2022

  • gSDF: 基于几何的有符号距离函数在 3D 手部物体重建中的应用

    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

  • 基于稀疏点云的无监督占据学习

    通过使用基于边界采样的方法和基于熵的优化过程，我们提出一种从稀疏输入中学习占据场的方法，并展示了该方法在隐式形状推断方面相对于基线方法和现有技术的有效性。

    Apr, 2024

  • SA-ConvONet：卷积占用网络的符号不可知优化

    本研究提出一种使用无标记交叉熵损失的卷积占据网络进行表面重建的方法，以实现大规模场景的高级可扩展性、新型形状的一般性和原始扫描的适用性。实验结果表明，该方法对于未定向点云的表面重建具有优越的准确性。

    May, 2021

  • 神经几何细节层：使用隐式三维形状的实时渲染

    本篇研究提出了一种基于八叉树的特征体积的神经无人机距离函数模型，实现了高保真的 3D 形状实时渲染，且在多个方面表现出全球领先的复杂形状重建质量与渲染效率。

    Jan, 2021