野外场景弱监督 3D 形状补全
本文提出了一种弱监督学习的三维形状补全方法,旨在解决从稀疏噪声点云进行三维形状补全的问题。与现有的数据驱动方法和基于学习的方法相比,该方法既不需要昂贵的优化步骤,也不需要直接监督,通过使用深度神经网络来学习最大似然拟合,具有高效和准确的形状补全能力。在来自 ShapeNet、ModelNet、KITTI 和 Kinect 的综合基准测试中,该方法能够与最近的完全监督基线相竞争,并且优于数据驱动方法,同时需要更少的监督并具有显着的速度优势。
May, 2018
通过构建先验库和分析输入和先验之间的相关性,本文提出了一种弱监督框架来从未见过的类别中重建完整的 3D 形状,并通过自监督形状细化模型进一步改进了粗糙形状,实验证明我们的方法明显优于现有方法。
Jan, 2024
本文提出了一种新的框架,学习了一个统一的、结构化的潜在空间,其中包括映射相关局部点云的多个完整的形状和遮挡代码对,并将这些代码合并以获取它们在统一潜在空间中的表示,通过建立这样一个统一的和结构化潜在空间,可以实现更好的局部 - 完整几何一致性和形状完成准确性,并在合成和现实世界的各种数据集上比现有的无监督方法表现更为出色。
Mar, 2022
本文提出一种基于弱监督方式,利用多视角数据进行 3D 人体姿势估计的学习框架,包括利用 2.5D 表示法的目标函数,经过测试在两个大规模数据集上达到了半监督 / 弱监督方法的最佳表现。
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
该研究使用卷积神经网络训练能够从单个图像预测出物体的 3D 形状和相机姿态的模型,并通过一组 pose 预测器进行姿势模糊处理,并利用可微分 3D 点云投影技术来获取高保真度的形状模型。
Oct, 2018
本论文提出了一种基于多视角的 3D 物体形状填充方法,通过学习使用神经网络完成每个深度图像,能够在保证不过度远离已学习形状描述符的前提下,在多个视角之间实现几何一致性,优于之前的完成技术。
Nov, 2019
Point cloud completion using a self-supervised framework called Partial2Complete (P2C) that utilizes incomplete point clouds to predict masked patches by learning prior information from different partial objects, incorporating a region-aware chamfer distance and a normal consistency constraint, and demonstrating comparable results to methods trained with complete shapes.
Jul, 2023