Jun, 2020

基于学习的三维重建的泛化

HTML
PDF
TL;DR本文研究了学习基础的3D重建方法在体现经验偏好时的架构问题，发现编码器空间范围、场景几何特征描述和多视图信息聚合机制对性能的影响，并提出相应的机制以增强对这些经验偏好的表达。在ShapeNet基准测试中，我们的模型在各种设置下均实现了最先进的成果。
发现论文，激发创造
  • 单视图三维重建的视角先验学习

    该研究提出了一种训练鉴别器和重构器的方法，在重构器中使用先验知识来纠正未被观察到的视角，以便从任意视角重新构建形状。与目前最先进的方法相比，实验结果表明该方法在合成和自然图像数据集上表现更好。

    Nov, 2018

  • 学习从未见过的类别重建形状

    本研究提出一种通用重建算法（GenRe），利用深度和轮廓等2.5D表示方法和球形和体素表示方法，旨在捕捉更通用，不受特定类别约束的形状先验知识，实验结果表明该算法可以很好地解决从单张图像还原3D形状，并且能够泛化到未在训练中见过的多种不同类别的新物体。

    Dec, 2018

  • 用于学习类别特定形状重建的多视图聚合

    本文研究了从未观察到的物体实例的可变数量的RGB视图学习特定类别的3D形状重建问题，并提出了一种可以估计密集3D形状并在多个和不同数量的输入视图上聚合形状的方法。

    Jul, 2019

  • 基于先验知识的单幅图像 3D 重建的少样本泛化

    本文提出一种新的模型架构，将单视角三维重建重新定义为分类无关的先验纠正学习，初步结果表明该模型可以从提供的少至一组三维形状开始对目标物品进行分类再建，无需重新训练，且对于多视角的立体成像也有较好表现。

    Sep, 2019

  • 单张图像的新型物体形状的三维重建

    该研究提出了一种基于 SDFNet 的创新方法，可以通过仅仅一张图像实现对物体的三维形状进行准确预测，相对于 GenRe 和 OccNet 方法来说，该方法在对已知和未知物体的形状重建方面实现了最优性能。

    Jun, 2020

  • 用于三维形态建模与重建的深度优化先验

    该研究提出了一种新的3D建模和重建学习框架，通过连接基于学习和基于优化的方法的优点并优化学习的先验和潜在编码，提高了深度生成器的广义性。实验结果显示，该方法在处理高度稀疏或坍塌的观测数据方面比现有方法都有优势。

    Dec, 2020

  • 通过学习局部和全局形状先验层次来促进单视图3D重建的泛化

    该文利用不同层次的位置先验信息从输入的深度图中提取详细的局部信息并进行组合，从而改进了新颖形状的泛化能力，具有更好的泛化性能。

    Apr, 2021

  • 输入级别感应偏置用于3D重建

    本文通过将几何归纳偏置直接注入模型作为额外输入，而非使用特殊架构，来解决3D重建问题。研究将摄像机、投射光线和对极几何编码为模型输入，并在多个基准测试上展示具有竞争力的多视图深度估计性能。

    Dec, 2021

  • 与邻居分享：利用跨实例一致性进行单视图重建

    本文提出了一种单视图重建方法——UNICORN，通过利用不同物体实例之间的一致性来避免使用视角注释，模板形状或对称性的监督和假设。该方法能够从大量未标记图像中学习，并通过渐进式的条件训练和邻居重建得到更好的结果。

    Apr, 2022

  • MonoSDF: 探索单目几何线索用于神经隐式曲面重建

    通过 monocular geometry prediction 预测的深度和法向量提示显着提高神经隐式表面重建的质量和优化时间，特别是在大规模复杂场景下，独立于表征的选择。

    Jun, 2022