Nov, 2020

深度内隐模板用于三维形状表示

PDF
TL;DR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。
deep implicit templates3d shape representationcorrespondence reasoningunsupervised learningdense correspondence
发现论文，激发创造
  • Deformed Implicit Field：学习稠密对应关系建模三维形状

    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。

    Nov, 2020

  • 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

  • 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

  • 使用结构隐式函数学习形状模板

    该论文介绍了一种从数据中学习通用形状模板的方法，通过基于局部形状元素的组合来选择隐式表面表示，可以适应各种几何和拓扑变化，而结构化的隐式函数适合学习，并允许网络平滑地同时拟合多类形状，该学习形状模板支持从 RGB 图像中进行形状探索，对应、抽象、插值和语义分割等应用。

    Apr, 2019

  • 多分辨率深度隐式函数用于 3D 形状表示

    本文提出了一种名为 MDIF 的多分辨率深度隐式函数，该模型可以在进行 3D 重建时恢复精细的几何细节，并支持多种应用，其创新点在于可以同时表示不同细节级别并支持逐步编码，支持编码器 - 解码器推理、仅解码器潜在空间优化，并在形状完成任务下获得优于现有技术的性能表现。

    Sep, 2021

  • 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

  • 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

  • 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

  • 学习隐式函数以实现拓扑变化的稠密三维形状对应

    本文旨在以无监督的方式学习拓扑变异物体的密集三维形状对应关系，引入了一种新的隐式函数，该函数为每个三维点生成一个部分嵌入向量，实现对点的密集对应，通过面向部分的逆函数将部分嵌入向量映射到对应的三维点上，结合几个有效的损失函数进行联合学习。在推断期间，用户选择源形状上的任意点时，算法可以自动生成相应点的置信度分数和语义点，有效提升人造物体的形状分割及无监督三维语义对应。

    Oct, 2020

  • 三维形状重建和完成的特征空间中的隐式函数

    本文提出了一种名为 IF-Nets 的新模型来解决从不同类型的三维输入中恢复和补全三维物体的问题，IF-Nets 可提取深度特征，保留输入数据中存在的细节，并可以重建活动的人体模型。实验证明 IF-Nets 在 ShapeNet 中的三维物体重建和人体重建方面明显优于以往的工作。

    Mar, 2020