Jun, 2020

SPSG: 基于 RGB-D 扫描的自监督光度场景生成

PDF
TL;DRSPSG 是一种新颖的方法，通过学习自我监督方式推断未观测到的场景几何和颜色信息，结合技术对二维渲染图像进行对抗和感知损失计算，直接生成高质量的有色三维场景模型，在合成和实际数据上性能优于现有技术。
spsg3d modelsrgb-d scanself-supervisedscene generation
发现论文，激发创造
  • SG-NN: 面向自监督 RGB-D 扫描场景补全的稀疏生成神经网络

    提出一种利用自监督的方法，将部分和嘈杂的 RGB-D 扫描转换为高质量的 3D 场景重建，从而实现预测未观测到的场景几何形状，并通过新的 3D 稀疏生成神经网络架构来生成高分辨率的 3D 场景表面并提高重建质量。

    Nov, 2019

  • SPDGAN: 基于 SPD 流形学习的生成对抗网络用于自动图像上色

    基于对称正定流形学习的生成对抗网络，提出了一种全自动着色方法，用于将灰度图像转化为彩色图像，实现更真实的彩色图像和更好的评价指标。

    Dec, 2023

  • SGRec3D: 自主学习的 3D 场景图通过对象级场景重建

    提出了 SGRec3D，这是一种用于预先训练三维场景图预测的新方法，无需对象关系标签，可以利用大规模三维场景理解数据集进行训练。在细调期间只使用 10% 标记数据集便可优于未进行预先训练的模型。

    Sep, 2023

  • 自监督几何感知

    自监督几何感知（SGP）框架通过联合优化特征描述和几何模型，解决了对应关系匹配的问题，在相机姿态和刚性转换等缺少地面真值标签的情况下展示了其在实际数据集上令人瞩目的优越性能。

    Mar, 2021

  • RGBD-GAN：通过 RGBD 图像合成从自然图像数据集中无监督学习 3D 表示

    该研究提出了一种基于 RGBD-GAN 的新型生成模型，可以从 2D 图像中实现无监督的 3D 表示学习，并能通过相机参数进行图像生成和深度图像生成，无需 3D 注释，通过实验证明其对各种生成器体系结构都具有普适性。

    Sep, 2019

  • Intrinsic3D： 高质量的 3D 重建，通过联合外观和几何优化，带有空间变化照明

    本文提出一种新的方法，可同时优化几何编码、纹理以及材料和场景照明，以从消费级 RGB-D 传感器中获得高质量的 3D 重建。

    Aug, 2017

  • SP-GAN：球引导的三维形状生成与操作

    本文介绍了 SP-GAN，一种新的无监督的球形引导生成模型，用于直接合成点云形式的三维形状。SP-GAN 可以合成各种高质量的具有细节和可控性的形状，同时不需要任何零件注释。

    Aug, 2021

  • 从单个 RGB 图像进行全面的 3D 场景分析和重建

    本文提出了一种使用随机语法模型联合解析单个 RGB 图像并重建由一组 CAD 模型组成的整体 3D 配置的计算框架，并引入了一个全局场景语法（HSG）表示 3D 场景结构，进而以分析 - 合成方式解决该联合分析和重建问题。

    Aug, 2018

  • FSD：快速自监督单一 RGB-D 到分类三维物体

    通过多阶段训练管线，我们的方法成功地在实时运行中克服了现有自监督方法在 3D 物体识别方面的限制，并在 NOCS 测试集上的 6D 姿态估计中取得了 16.4% 的绝对改进，同时以接近实时的 5 Hz 速度运行。

    Oct, 2023

  • 从混沌到清晰：黑暗中的 3DGS

    通过自我监督学习的新框架，我们能够在有限的噪声原始图像数量下，从原始图像中重建高动态范围（HDR）3DGS，克服了噪声的影响，提高了重建质量和推断速度。

    Jun, 2024