Nov, 2020

动态平面卷积占据网络

PDF
TL;DR本研究提出了一种新型的动态平面卷积占据网络 (Dynamic Plane Convolutional Occupancy Networks)，它可以通过编码点云并将其投影到多个 2D 动态平面上，使用全连接网络来预测最佳的平面参数，进而从未定向的点云中实现更优秀的表面重建。该方法在 ShapeNet 和室内场景数据集上均表现出优越性能，并对学习到的动态平面的分布提供了有趣的观察结果。
3d reconstructionimplicit neural representationsdynamic plane convolutional occupancy networkspoint cloudsconvolutional neural networks
发现论文，激发创造
  • 卷积占据网络

    本文提出基于卷积的代表性网络 Convolutional Occupancy Networks 用于 3D 重建，实现了在较为复杂的几何情况下的结构化推理及其他先验偏差的融合，通过从噪声点云等数据中重建复杂几何模型且适用于大尺度室内场景。

    Mar, 2020

  • 基于函数空间学习三维重建的占用网格

    本文提出了一种新的基于占据网络的、在 3D 重建方面使用的表示方法，可以在计算和内存效率上实现任意拓扑的高分辨率几何表示，并通过各种输入进行推断，产生竞争力的结果。

    Dec, 2018

  • 基于单视角 RGB-D 的占据平面人体重建

    该研究通过使用 OPlanes 表示法，将单视图 RGB-D 人类重建问题转化为在通过相机视锥切面的平面上的占位符预测，从而实现更精确的预测结果。在具有其他障碍物和部分可见性的复杂情况下，该方法在 S3D 数据上实现了更好的表现。

    Aug, 2022

  • 平面感知网络室内三维重建

    本研究提出了一种针对单个室内 360 度图像的平面感知卷积神经网络方法，可实现密集的深度和表面法向估计以及平面边界识别，此外，添加测地线坐标图作为网络先验可显著提高表面法向预测准确性，最终可以将网络的输出组合用于生成高质量的室内场景 3D 模型。

    Jul, 2019

  • 点卷积神经网络

    本文介绍了一个使用 3D 点云进行语义分割和对象识别的卷积神经网络，其中核心是点卷积，这是一种可以在点云的每个点上应用的新型卷积算子，并且网络设计简单且能在语义分割和对象识别任务中获得可比较的准确性。

    Dec, 2017

  • 基于层次化点云表示的物体动态建模

    基于连续点卷积的新型 U-net 架构能够自然地嵌入 3D 坐标信息，并通过已建立的下采样和上采样过程进行多尺度的特征表示，从而有效地改进了基于神经网络的三维物体动态建模方法。

    Apr, 2024

  • 稠密三维物体重建的高效点云生成学习

    本文提出了一种新的 3D 生成建模框架，使用 2D 卷积运算从多个视角预测 3D 结构，并联合应用几何推理和 2D 投影优化来高效地生成以密集点云形式呈现的物体形状，并引入伪渲染器来合成优化的新深度图，在单张图像 3D 对象重建任务中表现了优越的形状相似性和预测密度。

    Jun, 2017

  • 基于多平面投影的神经网络点云渲染

    本研究提出了一种新的深度学习点云渲染管道，通过多平面投影将点云特征投射到摄像机视锥体的分层体积中，然后通过卷积神经网络产生多层图像，并根据学习到的权重混合图像，最终实现对具有挑战的场景进行更稳定的渲染。

    Dec, 2019

  • 混合去噪通用占据网络

    通过使用 MLPs 对局部特征进行编码，以点云来恢复 3D 重建的模型，通过引导去噪的相对位置编码，从点云中汇集附近的特征，预测空间中的任意查询点的占用概率，并夺得了卷积方法的最新成果，并且只使用了一半的模型参数。

    Nov, 2023

  • POCO：点卷积用于曲面重建

    研究提出了一种使用点云卷积和在每个输入点计算潜在向量的方法，然后进行最近邻的基于学习的插值。实验结果表明，该方法在大多数经典指标上明显优于其他方法，生成更精细的细节并更好地重建了更薄的体积。

    Jan, 2022