无标注图像集的隐式网格重建
本文提出一种学习框架,可以从单个图像中恢复物体的 3D 形状、相机、和纹理,使用一个可变形的 3D 网格模型来表示形状,在不依赖于地面真值 3D 或多视图监督的情况下,利用注释的图像集进行训练并学习 3D 预测机制与可变形模型。作者还展示了可以轻松将语义关键点与预测的形状相关联,并在 CUB 和 PASCAL3D 数据集上展示了我们的方法的定性和定量结果。
Mar, 2018
该论文提出了一种从单张图像中推断物体的 3D 形状和姿态的学习方法,利用无定型图像集的分割输出进行监督,并采用体素表示和网格化表示相结合的方式进行形状 - 姿态分解和实例重建。
Feb, 2021
我们提出了一种自监督的,单视图三维重建模型,通过 2D 图像和物体的轮廓预测目标物体的 3D 网格形状、纹理和相机姿势,该方法不需要三维监督,手动注释的关键点,物体的多视图图像或先前的 3D 模板,通过自监督地学习分类特定图像的部分分割,我们可以在重建网格与原始图像之间有效强制实现语义一致性,从而大大减少了模型在预测物体形状、纹理和相机姿态时的歧义,并且我们的模型可以不需要这些标签而轻松地推广到各种物体类别。
Mar, 2020
提出了一种深度学习技术,用于从单个图像进行三维物体重建。与以往的方法不同的是,该方法使用只有单一视角的图像进行训练,并具有自我监督学习能力,可实现与使用更多监督信息的方法相媲美的性能。该方法还可以进行测试时间优化。
May, 2020
论文提出了一种统一框架,用于解决单幅图像特定类别的 3D 重建和新 3D 形状生成的问题。该方法支持弱监督学习,只需要单个实例的 2D 图像,使用网格作为输出表示,并利用光照信息提高了性能。实验结果表明,该方法在定量度量上与最新的基于体素方法相当或优于,而且结果更加美观,并且在弱监督学习方面表现良好。
Jul, 2018
本研究提出了一种基于射线场探测技术的隐式表面的学习方法,以及一种泛函约束方法,用于无需三维监督的三维形状推断。实验表明,在单视角基础上,使用我们的方法从图像中重建三维模型,无论是定量还是定性上都优于现有技术。
Nov, 2019
本文提出了一个无监督类别特定网格重构学习框架,可以从一组没有 3D 地面真实值的图像中恢复出物体的 3D 形状、姿态和纹理,并维护了一个优化的摄像机假设集以更好地解释给定形状和纹理的图像,并在 CUB、Pascal 3D 和新的网页抓取数据集上获得了最先进的摄像机预测结果。
Jul, 2020
该研究提出了一种新的框架,可以在只有 2D 图像且每个实例只有一个视角的情况下,从单张图像中进行特定类别的三维重建和新形状的生成,并支持较弱的监督。采用网格作为输出表达方式,利用光照参数和明暗信息进行训练,支持对洼地的物体类别进行学习。通过五项应用评估,发现该方法的性能表现优于现有的一些方法。
Jan, 2019
提出了一种新的基于图像的神经隐式场方法,该方法利用基于 GAN 生成的多视图图像的 2D 监督,并通过不确定性模块来提高重构性能,从而实现了泛化物体的单视角 3D 重构。
Jul, 2022
本文提出了一种基于单个 RGB 图像学习预测隐式 3D 物体形状表征的新型 3D 形状重构方法,使用多种无视角注释的单视角图像进行跨类别学习且仅使用标签进行监督,辅以分类度量学习与对抗性和视点正则化技术,取得了 ShapeNet-13,ShapeNet-55 和 Pascal3D + 数据集上优于最先进方法的效果。
Apr, 2022