ECCVOct, 2020

SHARP 2020: 首届部分纹理 3D 扫描形状恢复挑战赛结果

PDF
TL;DRSHARP 2020 是一个研究和基准测试从原始不完整数据中恢复完整纹理三维扫描的方法的挑战，并提出了新的评估标准和数据集。
sharp 20203d scansshape recoverytexture reconstructionevaluation metrics
发现论文，激发创造
  • SHARP 挑战 2023：从点云和 3D 扫描中解决 CAD 历史和参数恢复问题。概述、数据集、评估指标和基准模型

    通过提供数据集、基准方法和适当的评估指标，本文描述了 SHARP 2023 跟踪的数据集，并提出了一组基准方法，旨在推动 CAD 逆向工程的研究更接近真实世界的情景。

    Aug, 2023

  • 从 ShapeNet Core55 进行大规模 3D 形状重建和分割

    用 ShapeNet 数据库的数据和注释介绍了一个大规模的 3D 形状理解基准测试。以部分级别分割 3D 形状和从单个视图图像重建 3D 形状为任务，其中 10 个团队参加了挑战，并且最佳表现团队在两个任务上均优于现有技术。各种 3D 建模方法都被用于这两个任务中，并提出了一些新的深度学习架构。我们总结了每个团队使用的技术和相应的表现，并总结了来自报告结果的主要发现和未来工作的可能趋势。

    Oct, 2017

  • 非刚性三维人体模型的形状检索

    本研究旨在对非刚性三维人体模型的形状检索算法进行基准测试，并通过添加新的训练集数据，对先前的检索算法基准测试结果进行更新和扩充。共使用了 25 种不同的形状检索方法进行实验，并在 FAUST 人体扫描数据集上进行测试。

    Mar, 2020

  • TSCom-Net: 粗到细的三维纹理形状补全网络

    利用 BCom-Net 神经网络构建了一个两阶段的方法来实现从部分输入的 3D 扫描中完整地重建出身体形态和纹理，并在 SHARP 2022 挑战中获得了第二名。

    Aug, 2022

  • SepicNet：基于曲线参数推断的三维形状锐边恢复

    介绍了一种新的深度网络 SepicNet 用于检测和参数化 3D 物体的棱角，包括一种自适应点云采样技术，通过大规模数据集的实验表明该方法的边缘检测效果优于现有技术。

    Apr, 2023

  • 基于换装 3D 扫描序列的人体形态细节精准估计

    本研究提出了一种新方法，可以从穿着衣服的 3D 扫描序列中恢复个人化的人体形状，其性能在姿态估计和形状估计方面均优于现有技术。

    Mar, 2017

  • ICDAR2019 关于任意形状文本的鲁棒性阅读挑战（RRC-ArT）

    本文报道了 ICDAR2019 关于任意形状文本 (RRC-ArT) 的鲁棒性阅读挑战，重点包括场景文本检测、场景文本识别、场景文本识别，并介绍了该挑战的数据集、任务描述、评估指标和参与者方法。

    Sep, 2019

  • 语义人体网格重建与纹理

    SHERT 是一个新的流程，可以通过语义和法线采样来重构具有纹理和高精度细节的语义人体网格，生成稳定的 UV 展开、高质量的三角网格以及一致的语义信息，优于最先进的方法。

    Mar, 2024

  • 关注词语和要点：文本到形状协调性的基准测试

    自动改进与形状关联的文本描述以及通过交叉注意机制，提出了一个量化指标来评估文本与形状的一致性，并通过用户研究和现有指标的比较来验证提出方法，从而构建了一个新的细粒度基准，推动文本条件下的三维生成模型的研究。

    Sep, 2023

  • 利用度量和语义属性进行精准的三维人体形状回归

    通过采集互联网上的时尚模特图片和一小部分人体测量数据，以及用于各种三维身体网格的语言形状属性，我们训练了一种名为 SHAPY 的神经网络，该模型可从 RGB 图像中回归出三维人物的姿态以及形状。在新的 HBW 数据集上进行测试，SHAPY 在三维人体形状估计任务上表现出色，明显优于现有技术。

    Jun, 2022