ECCVJul, 2020

CAD-Deform: 将 CAD 模型可变形拟合至 3D 扫描数据

PDF
TL;DR本研究通过引入 CAD-Deform 方法，提出了一种新的非刚性变形模型，实现了对从 3D 扫描中检索到的 CAD 模型的非刚性变形以达到更紧密的拟合效果，并在保持 CAD 模型高质量表面特性的同时，显著提高了扫描到的 CAD 模型的匹配度，从而能够更准确地数字化表示扫描实际环境，并保留了合成 CAD 环境中的重要几何特征。
shape retrievalcad representationsnon-rigid deformation3d scansgeometric features
发现论文，激发创造
  • 3D 扫描中的端到端 CAD 模型检索和 9DoF 对齐

    一个新的端到端方法可以将嘈杂，不完整的三维扫描转换为干净，完整的物体几何，通过对齐 CAD 模型并在对称感知稠密对象对应预测配对的 Procrustes 坐标系改进，该方法可以单次前向传递地将 CAD 模型与扫描的对象对齐，比以前的数据驱动方法快约 250 倍，并且性能超过现有技术。

    Jun, 2019

  • Scan2CAD：RGB-D 扫描中的 CAD 模型对齐学习

    Scan2CAD 是一种数据驱动的方法，可以学习将形状数据库中的 3D CAD 模型对齐到商品 RGB-D 扫描的噪声和不完整几何形状中，其可用于室内场景的三维重建。该方法使用三维卷积神经网络来预测 CAD 模型与其对应扫描对象之间的对应关系，并通过变分能量最小化将 CAD 模型与重构对齐，其在 Scan2CAD 基准测试中表现优异。

    Nov, 2018

  • FastCAD：来自扫描和视频的实时 CAD 检索和对齐

    通过使用 FastCAD 方法，可以实时地检索和对齐给定场景中的所有对象的 CAD 模型，同时预测对齐参数和形状嵌入，加快了推理时间并提高了 3D 重建和对齐的准确性。

    Mar, 2024

  • 3D 形状检索和变形的联合学习

    该研究提出了一种基于神经变形、形状检索和嵌入空间的联合学习方法来生产高质量的 3D 模型，该方法不仅能提高变形后的匹配精度，而且还能处理不一致和多样的结构形状。

    Jan, 2021

  • DeformNet: 基于自由形变网络的单图像 3D 形状重建

    本论文提出了一种新的深度学习模型 DeformNet，利用自由形变层和形状检索来实现从单张图片中进行 3D 重建，相较于其他现有方法有更好的表现。

    Aug, 2017

  • Mask2CAD：通过学习分割和检索实现 3D 形状预测

    本文提出了一种基于 CAD 模型的方法，结合现有的大规模三维模型数据集，构建了一种可以检测现实世界图像中物体的 CAD 模型表示方法，并且证明了与现有技术相比，该方法在真实世界图像中有着优势。

    Jul, 2020

  • 3D-CODED : 通过深度变形进行 3D 对应

    本论文提出用深度学习的方法，引入形状变形网络，同时编码 3D 形状和相应关系，通过将表面表示因子化为模板和学习的全局特征向量相结合，来匹配可变形的形状。

    Jun, 2018

  • 变形感知三维模型嵌入及检索

    本研究提出了一种基于深度学习的变形感知嵌入方法，致力于用于解决给定查询形状的可变形三维模型检索问题，并通过实验表明，该方法比传统基于度量的方法表现更出色。

    Apr, 2020

  • 基于变形引导的非刚性形状匹配无监督方法

    我们提出了一种无监督数据驱动的方法用于非刚性形状匹配，通过建立层次化基于补丁的形状表示和约束形状匹配的 3D 近刚性变形模型，实现了对噪声和变形具有鲁棒性的匹配。实验证明，相比最先进的方法在原始 3D 扫描数据上获得了显著更好的结果，并在标准测试场景上表现相当。

    Nov, 2023

  • DiffCAD: 基于弱监督的概率 CAD 模型检索和对齐

    基于 CAD 模型基元从 RGB 图像中感知 3D 结构可以有效地实现基于三维物体的场景表示，本文提出了 DiffCAD，这是一种第一个弱监督的条件生成方法，可以从 RGB 图像中检索和对齐 CAD 模型，通过扩散学习隐式概率模型来捕捉 CAD 对象在图像中的形状、姿态和尺度，实现了多个假设生成和对深度 / 尺度和形状匹配的歧义进行建模。

    Nov, 2023