深度估计三维形状中尖锐几何特征

Nov, 2020

DEF: Deep Estimation of Sharp Geometric Features in 3D Shapes

Albert Matveev, Ruslan Rakhimov, Alexey Artemov, Gleb Bobrovskikh, Vage Egiazarian...

TL;DR提出了 Deep Estimators of Features（DEFs）框架，用于通过标量场回归来准确地预测采样的 3D 形状的尖锐几何特征，并使用该方法来从点云数据中恢复尖锐特征线的显式表示。

Abstract

We propose deep estimators of features (DEFs), a learning-based framework for predicting sharp geometric features in sampled 3d shapes. Di

发现论文，激发创造

该论文提出了使用深度学习对参数化形状基元进行预测的新框架，并使用距离场在像素网格上在控制点和输入数据之间进行转换，展示在二维和三维任务中，包括字体矢量化和表面抽象。

Apr, 2019

利用局部形状函数学习无符号距离场（UDF）的神经框架 LoSF-UDF，从 3D 点云重建表面，无需针对具体形状进行训练，并且对于点云中的噪声和异常值表现出增强的鲁棒性。

Jul, 2024

提出了一种基于学习的方法，用于计算非刚性三维形状之间的对应关系。该方法利用从原始形状几何中直接学习的特征提取网络，结合一种基于功能映射表示的正则化地图提取层和损失函数，能够从比现有的监督方法少的训练数据中学习，并且比当前基于描述符学习的方法更加普适。

Mar, 2020

本文提出了一种改进神经 UDF 学习的方法，通过集中学习表面边缘来提高神经 UDF 对原始 3D 表面的保真度，并提出了一种基于统计学方法的表面边缘检测技术。

May, 2024

提出了一种使用 Transformer 架构学习隐式多视图一致场景表示并引入一系列 3D 数据增强技术的方法来增加视角多样性的深度估计网络，同时介绍了引入视角合成作为辅助任务，该网络在不使用显式几何约束的情况下在立体和视频深度估计方面取得了最先进的结果，并在零样本领域泛化方面有了显著的提高。

Jul, 2022

通过混合数据集训练模型，预测几何保持的深度，并通过渲染重建场景的新视图以及设计损失函数，促进不同视角下深度估计的一致性，实现了对领域特定尺度和平移系数的自主恢复，优于现有最先进方法的多个基准数据集。

Sep, 2023

通过优化映射高维直方图到低维欧氏空间的深度网络，学习代表无序点云中点周围局部几何的特征，其表现出比现有局部特征更高的精度、紧凑性和鲁棒性，可在机器人和三维视觉的不同应用中进行几何配准。

Sep, 2017

该研究提出了一种新的基于特征保留的法线估计方法来过滤点云，并通过实验证明其在去除噪点和保留几何特征方面的效果优于现有法线估计方法和点云过滤技术。

Apr, 2020

本文提出 3DFeat-Net 算法，利用弱监督学习 3D 特征检测器和描述符，通过对齐和注意机制学习 GPS/INS 标记的 3D 点云的特征对应关系，无需显式指定匹配点群，实验表明其在室外重力对齐数据集上取得了最优表现。

Jul, 2018

利用 Deep Local Shapes 技术实现高质量 3D 形状的编码与重建，将场景分解成局部形状以降低模型的复杂度和提高推导效率。

Mar, 2020