CVPRNov, 2020

Deformed Implicit Field：学习稠密对应关系建模三维形状

PDF
TL;DR本论文提出了 Deformed Implicit Field (DIF) 表示法来建模 3D 物品的形状，实现物品之间稠密的对应关系。DIF-Net 神经网络通过学习一个特定类别的物品的形态潜在空间和这些物品的 Deformation Field 来实现对应关系的建立以及对物品形状差异的度量，还考虑了材质和形状编辑等应用。
deformed implicit field3d shapesshape correspondencesdif-nettexture transfer
发现论文，激发创造
  • 深度内隐模板用于三维形状表示

    本文提出了一种基于 Deep Implicit Templates 的新型三维形状表示方法，支持在深度隐式表示中进行显式的对应关系推理，并使用 Spatial Warping LSTM 解决推理过程中的空间变换问题，同时采用特殊的训练损失函数实现了无监督学习。实验证明，该方法不仅能够学习一个共同的隐式模板，还能够在不需要监督信号的情况下，对所有形状进行精确的无缝对应。

    Nov, 2020

  • 通过稠密对应实现可变形物体的隐式形状表示的自监督学习

    使用自监督学习方法为可变形物体学习神经隐含形状表示法，无需特定语义领域的额外注释和大量变形约束，可用于纹理转移和形状编辑应用。

    Aug, 2023

  • 非刚性物体的跨类别信号隐式建模

    通过多物体深度隐式函数模型（MODIF），我们提出了一种学习多个非刚性实例的变形场和实例特定潜在代码的方法，以实现精确、无碰撞的形状表示，并在医学基准测试中展示了其优越性能。

    Dec, 2023

  • 用显式变形场增强隐式神经形状表示

    本文探讨一种新方法 -- 变形感知正则化 -- 以更好地学习隐式神经表示形式，使其对隐式表示形式的变形具有可接受的合理性，并演示了其在如柔性变形等问题中的良好效果。

    Aug, 2021

  • 局部深度隐式函数用于三维形状

    本文介绍了一种将三维表面图像表示成局部深度隐式函数并进行不同模型之间的泛化、空间分解等相关工作，并在实验中证明了该算法在表面重建和深度图像完成方面的效果优于现有算法。

    Dec, 2019

  • DTF-Net: 通过可变形模板场进行类别级姿态估计与形状重建

    DTF-Net 是一种基于物体类别的隐性神经场方法，通过设计可变形模板场、姿态回归模块和多模态表示提取模块，实现了场景中物体的姿态估计和形状重建，并通过 REAL275 和 CAMERA25 数据集的实验证明了其在综合环境下的出色性能以及对机械臂抓取任务的有效支持。

    Aug, 2023

  • 基于三平面的混合神经变形流形用于形状表示和生成

    本文介绍了一种新的神经网络模型 HNDF (Hybrid Neural Diffeomorphic Flow)，用于三维形状重建和生成，通过学习数据样本中的隐式函数，对细节信息进行拆分和处理，进一步实现高质量的三维形状再现和生成。

    Jul, 2023

  • 具有隐式位移场的几何一致性神经形状表示

    本文介绍了一种新颖的隐式位移场在 3D 几何形状的表达及重构中的应用，它将一个复杂的表面表示为一个平滑的基础表面及一个沿着基础表面法线方向的位移，实现了高低频信号的分解，提高了表达能力、训练稳定性及泛化性。

    Jun, 2021

  • 深度功能映射：用于稠密形状对应关系的结构化预测

    该研究提出了一种新的学习框架，用于学习变形的 3D 形状之间的密集对应关系，通过使用一个在功能映射空间内的结构化预测模型，以及对两个形状定义的密集描述符场的输入和输出，得到在多个具有挑战性的基准测试中表现准确的对应关系。

    Apr, 2017

  • 使用动态编码云学习 3D 形状的深度隐函数

    本文介绍了一种名为 DCC-DIF 的深度内隐函数学习方法，通过将本地编码与可学习的位置向量相对应，将 3D 形状表示为动态编码云，用于捕获几何细节，提高表示能力和重建质量。

    Mar, 2022