Jul, 2020

神经网格流：通过微分流生成三维流形网格

PDF
TL;DR提出了基于神经元流形流 (Neural Mesh Flow) 的方法来生成具有二次曲面流形的三维网格模型，具有较高的几何精度和更好的适用性于基于物理的渲染和模拟。
发现论文，激发创造
  • 神经流形常微分方程

    本文提出了一种称为神经流动流形的新型生成模型，可以更好地适应数据几何，增加了模型的通用性和表达能力并提高了密度估计和下游任务的效果。

    Jun, 2020

  • Moser Flow: 基于发散性的流形生成建模

    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

  • 同时流形学习和密度估计的流形

    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

  • NeuManifold：具高效和高品质绘制支持的神经水密流形重建

    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

  • 流形学习的规范正则化流模型

    通过学习具有少量维度流形的生成建模技术，提出一种新的建模流方法，实现了对数据的高效表示，从而更好地近似目标分布并产生较低的 FID 分数。

    Oct, 2023

  • 流形到流形映射的基于流量的生成模型

    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

  • 流形上的神经常微分方程

    本研究探讨如何使用向量场在光滑流形上进行参数化，以及如何进行梯度学习来实现基于神经 ODE 的流规范化方法。

    Jun, 2020

  • 神经网络网格融合：无监督的三维平面表面理解

    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

  • 神经体积网格生成器

    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

  • 离散点流网络用于高效点云生成

    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