SkeletonNet: 一种保持拓扑结构的解决方案，用于从RGB图像中学习网格重建物体表面

Aug, 2020

SkeletonNet: 一种保持拓扑结构的解决方案，用于从RGB图像中学习网格重建物体表面

SkeletonNet: A Topology-Preserving Solution for Learning Mesh Reconstruction of Object Surfaces from RGB Images

Jiapeng Tang, Xiaoguang Han, Mingkui Tan, Xin Tong, Kui Jia

TL;DR本文针对基于RGB图像学习三维物体表面重建的挑战性任务，通过提出拓扑保持的骨骼形状表示方法，即SkeletonNet设计，结合Skeleton-Based Graph Convolutional Neural Network （SkeGCNN）和Skeleton-Regularized Deep Implicit Surface Network（SkeDISN）模型，有效提高表面重建的性能，并在广义任务设置下取得良好效果。

Abstract

This paper focuses on the challenging task of learning 3D object surface reconstructions from RGB images. Existingmethods achieve varying degrees of success by using different surface representations. However, they all have their own drawbacks,and cannot properly reconstruct the surface shapes of complex topologies, arguably due to a lack of constraints on t

发现论文，激发创造

AtlasNet: 学习三维表面生成的纸浆方法

该研究介绍了一种生成 3D 形状表面的方法——AtlasNet，它将 3D 形状表示为参数化表面元素的集合，相较于生成体素网格或点云的方法，具有更好的精度和泛化能力，并可以生成任意分辨率的形状。该方法在自编码形状和单视图重建方面取得了比较优异的结果，并且在变形、参数化、超分辨率、匹配和共同分割等方面显示其潜力。

Feb, 2018

Skeleton Transformer Networks：从单张RGB图像提取3D人体姿态和皮肤网格

该研究提出了一种名为 Skeleton Transformer Networks 的网络框架，可以通过单张彩色图像预测出人体骨架的 3D 关节点位置和 3D 角度姿态，并从而生成蒙皮网格动画。该框架采用两步回归方法进行骨骼旋转预测，其中第一步通过考虑骨架结构回归骨骼旋转以获得初始解，第二步则基于被称为交叉热图的三维姿态表示采用热图回归器进行精细化调整。实验表明，使用该框架训练的 3D 人体姿势数据集可以在野外环境下通过单张图像准确预测出人体的 3D 姿态。

Dec, 2018

深度级集：用于三维形状推断的隐式表面表示

通过引入一种变分形状推理方法以及一种新的几何损失函数，我们提出了一种端到端的可训练模型，可以直接预测任意拓扑的隐式表面表示，并演示了该模型在3D表面预测任务中的准确性和灵活性。

Jan, 2019

单个RGB图像生成复杂拓扑网格的骨架桥接深度学习方法

本文提出了一种骨架连通的分阶段学习方法，利用不同的点云、体积和网格形状表示，通过多阶段输入图像来修正预测误差，实现了从单个RGB图像中学习三维物体表面重构，并通过简单和复杂拓扑的代表性对象类型展示了其优越性。

Mar, 2019

StructureNet: 用于3D形状生成的分层图网络

StructureNet是一种基于层次图网络的生成模型，可以对以各种方式变形、修改的3D形状进行编码。它可以用于生成大量逼真的结构形状几何，也可以通过从未标记的图像、点云或部分扫描中直接发现形状结构，同时还能够用于形状生成、插值和编辑。

Aug, 2019

使用骨架一致性从单目视频中重建3D人体运动

MotioNet是一种用于从单眼视频中重建 3D 人体骨骼运动的深度神经网络，通过嵌入运动先验信息的深度神经网络将 2D 关节位置序列分解为对称骨骼和与全局根位置和足接触标签相关联的 3D 关节旋转序列，并在 3D 位置上应用正向运动学，使用敌对损失确保恢复的旋转速度处于自然关节旋转曲面上的关键优势使其能够直接从训练数据中学习到自然的关节旋转。

Jun, 2020

基于骨架连接的点云补全：从全局推断到局部调整

通过预测三维骨架以及从骨架点学习偏移量，提出了一种骨架桥接点完形网络（SK-PCN），将形状完形分解为结构估计和表面重建，并采用本地调整策略合并输入点云以进行表面细化。实验表明，相比于现有方法，该方法在点云和网格完成的各个对象类别上表现更好。

Oct, 2020

Point2Skeleton: 从点云学习骨骼表示

使用无监督学习方法，通过中轴变换来捕捉点云的内在几何和拓扑特性，从而产生更为通用的骨架结构，并利用此学习结果可以促进点云的表面重建和分割。

Dec, 2020

Ske2Grid: 面向动作识别的骨架到网格表示学习

该研究提出了Ske2Grid，这是一个用于改进基于骨骼的动作识别的新型表示学习框架。Ske2Grid通过在人体骨骼的一种新颖的网格表示上定义规则卷积操作来构建和学习一个紧凑的图像样式的网格块，并提出了三种新的设计来保证其双射属性和增强网格表示的表达能力。经过实验证明，在六种主流基于骨骼的动作识别数据集上，Ske2Grid明显优于现有的基于图卷积网络的解决方案，且不需添加额外的修饰。

Aug, 2023

GEM3D：三维形状合成的生成方法

GEM3D是一种新的深度、拓扑感知的3D形状生成模型，通过神经骨架为基础的表示编码形状拓扑和几何信息，生成更准确的拓扑和几何信息的表面，并应用于形状综合和点云重建任务，取得了显著的表面重建和多样化形状生成结果。

Feb, 2024