神经网格流:通过微分流生成三维流形网格
本文介绍了 Moser Flow 一种新型连续归一化流的生成模型,它可以通过求解变量转换公式得到归一化流,学习模型密度的参数形式为源(先验)密度减去神经网络的发散,通过该模型的学习在复杂的流形曲面采样与密度估计上取得了显著的性能提升。
Aug, 2021
介绍了一种名为 manifold-learning flows(M-flows)的生成模型,其可以同时学习数据流形以及流形上的概率密度,并提供降维、去噪以及区分分布等功能。同时,新的训练算法能够分离流形和密度更新,并通过一系列实验证明,M-flows 可以学习数据流形并比标准 normalizing flows 在全局数据空间下提供更好的推理。
Mar, 2020
本文介绍了一种从多视角输入图像生成高质量的水密流形网格的方法,该方法将神经体分布的几何初始化与可微分光栅化器进一步优化的不同优点结合起来,证明了该方法可以最大程度地准确重建网格并与现有的图形管道兼容,实现了类似模拟的 3D 应用。
May, 2023
本研究提出了一种基于 GLOW 的双流版本,能够在给定另一个流形测量类型的情况下合成其他类型的测量信息,并引入了三种用于流形数据的可逆层,其中包括对人脑图像进行重构和合成的实验。
Dec, 2020
该研究提出了神经网格融合(NMF),这是一个高效的方法,用于联合优化多视角图像观测的多边形网格和场景的无监督 3D 平面分割。与隐式神经表示不同,NMF 直接学习变形表面三角网格,并通过基于梯度的优化在表面网格上生成无监督 3D 平面分割的嵌入。实验证明,与最先进的多视角平面重建方法相比,NMF 获得了有竞争力的结果,同时不需要任何 3D 或平面的真实监督。此外,与基于隐式神经渲染的场景重建方法相比,NMF 在计算上更加高效。
Feb, 2024
本文提出了一种名为神经体维网格生成器的神经网络模型,可以从随机噪声或参考图像中生成高质量的三维网格结构,并且通过比较实验,证明了这种方法在使用体素作为输入时相对于其他最先进的方法更具有稳健性,并且拥有更好的性能。
Oct, 2022
该研究论文探讨生成模型在三维点云形状建模方面的应用,提出一种基于归一化流和仿射耦合层的潜在变量模型,用于生成、自编码和单视角形状重构任务,相较最近的基于 GAN 和基于连续流的模型,该模型在训练和推理速度上有明显提升,并在特定指标上实现了优于其他模型的表现,包括单视角形状重构等。
Jul, 2020