3D-FUTURE:3D 家具外形及纹理
本文介绍了一个名为 3D-FRONT(带有布局和语义的三维家具房间)的新型、大规模、综合性的人造室内场景存储库,其中包含大量房间和高品质纹理三维模型。该数据集可以自由提供给学术界和其他领域使用。我们还发布了轻型渲染工具 Trescope,以支持从 3D-FRONT 进行 2D 图像和注释的基准渲染。
Nov, 2020
提出了 FurniScene,该数据集包含 11698 个房间和 39691 个唯一的家具 CAD 模型,用于室内场景生成的评估基准,同时介绍了一种新的 Two-Stage Diffusion Scene Model(TSDSM)用于细粒度的室内场景布局生成,定量和定性评估表明了我们方法在生成高度逼真的室内场景方面的能力。
Jan, 2024
提出了 Texturify,这是一种基于 GAN 的方法,利用一个物体类的 3D 形状数据集,学习通过生成高质量的纹理来复制在真实图像中观察到的外观分布的技术。
Apr, 2022
通过拍摄来自不同视角的 3D 点的表征,利用投影卷积神经网络架构来学习物质感知描述符,从而实现物质感知的 3D 形状分析,并且通过众包的方式构建了一个 3D 形状数据集,证明了其学习描述符在自动纹理、物质感知检索和物理模拟中的有效性。
Oct, 2018
本文介绍了一种新的人工合成数据集 Structured3D,为各种结构化三维建模任务提供大规模照片级真实感图像和丰富的三维结构注释,此外并利用该数据集与真实图像来训练深度神经网络,显著提高了房间布局估计性能。
Aug, 2019
利用图像引导并借助三种类型的在线数据,包括形状集合、物质集合、及照片集合,使用大规模 3D 形状集合自动分配高质量、逼真的外观模型,利用卷积神经网络在大量合成的渲染图像中训练材料分类,再通过 3D-2D 对齐技术将材料传输到每个形状的不同部位,从而生成光真实、可重新采光的 3D 形状(PhotoShapes)。
Sep, 2018
在计算机视觉中,重建无纹理表面面临着独特的挑战,主要是由于缺乏满足在没有纹理信息的情况下深度和法线估计的细微需求的专门数据集。我们介绍了一种新颖的大规模数据集 “Shape2.5D”,旨在填补这一空白。该数据集包含了 364k 个帧,涵盖了 2635 个 3D 模型和 48 个独特对象,为无纹理物体重建提供了深度和表面法线图。所提出的数据集包括使用 3D 建模软件渲染的合成图像,以模拟各种照明条件和观察角度。它还包括一个包含 4672 个由深度相机捕获的真实世界子集。我们使用修改过的编码器 - 解码器网络进行的全面基准测试展示了该数据集支持从 RGB 图像鲁棒地估计深度和法线的算法开发的能力。我们的开源数据生成流水线使得该数据集可以在未来的研究中进行扩展和适应。该数据集可在 https://github.com/saifkhichi96/Shape25D 公开获取。
Jun, 2024
该文研究了基于数据驱动的方法对 3D 家具模型和室内场景进行着色,并使用互联网上的室内图像进行引导。使用图像引导网格分割将模型分成不同的部分,以提高着色效果,并以马尔可夫随机场模型实现一致的着色方案。实验结果表明,该系统可以产生与室内设计师生成的结果相媲美且具有说服力的结果。
Feb, 2017
本文提出了基于自然语言的房间风格合成算法 RoomDreamer,通过 Geometry Guided Diffusion 和 Mesh Optimization 处理实现 3D 室内场景生成,大幅提升了几何和纹理的一致性和图像质量。
May, 2023
该论文介绍了 Plan2Scene 任务,旨在将一个住宅的平面图和一组相关的照片转换成有纹理的三维网格模型,解决了从一部分不对齐的照片中提取主要表面材质的挑战,并通过用户研究得出表现优异的结果。
Jun, 2021