Dec, 2020

学习 Delaunay 表面元素进行网格重建

PDF
TL;DR本文提出了一种从点云中重建三角网格的方法，利用 2D Delaunay 三角剖分来构造曲面元素，同步局部 2D 投影的重建，从而实现了比现有方法更好的曲面重建效果。
mesh reconstructiontriangle meshesmanifold surface elementsdelaunay triangulationsgeodesic neighborhoods
发现论文，激发创造
  • DeepDT：从 Delaunay 三角剖分中学习几何用于表面重建

    本文提出了一种新的基于学习的网络 DeepDT，用于从点云的 Delaunay 三角化重建物面。它通过多标签监督策略实现结构正则化，并能够在保持丰富几何细节的同时生成不过于复杂的表面，尤其是对于开放场景的内部表面。实验证明 DeepDT 具有较高的性能和泛化能力，并且在时间消耗方面与最先进的方法相当竞争力。

    Jan, 2021

  • 使用 Delaunay 图神经网络进行可扩展的曲面重建

    一种基于学习的视可见性面重建方法，使用 3D Delaunay 四面体化及基于图神经网络的分类方法识别点云中缺陷区域并生成表面模型的能量模型，以局部几何和视线可见性信息学习能见度模型，结合深度学习和能量模型的优点，优于当前公开的基于学习和非学习的表面重建算法。

    Jul, 2021

  • 学习可变形四面体网格用于 3D 重建

    介绍 Deformable Tetrahedral Meshes (DefTet) 作为一种特殊的参数化，利用容积四面体网格用于重建问题，该方法可以同时达到高精度、容积、可学习神经架构，并且可以产生比替代容积方法小得多的网格大小的高保真重建。

    Nov, 2020

  • 基于 Delaunay 三角剖分和网格扫描的流形网格自动三维重建

    本文提出了一种从图像中自动进行三维重建的递增式初始化流形表面的新方法，通过结构从运动提取三维点，迭代执行现有流形重建步骤和新的网格扫描算法，以改进流形重建的分辨率和精度，从而提高多视图立体技术的收敛效果。

    Apr, 2016

  • 可微分的曲面三角剖分

    提出了可微分的表面三角形网格化算法，基于加权德劳内三角形的软松弛，并通过优化顶点和边界约束来拟合目标曲面，成功地解决了现有网格处理和优化技术在连续体上的局限性。

    Sep, 2021

  • 学习在 2D 图像空间中分割 3D 点云

    本文研究了点云数据如何被有效和高效地投影到 2D 图像空间中，以便于利用传统的 2D 卷积神经网络进行分割，通过引入具有拓扑结构保持特性的图形处理方法，并使用分层逼近算法，结合 Delaunay 三角剖分技术和多尺度 U-Net 网络进行图像分割，取得了 ShapeNet 和 PartNet 的最新成果。

    Mar, 2020

  • 具有极端规模和密度多样性的点云可扩展表面重建

    本文提出一种可扩展且健壮的方法，通过多视点三维立体点云计算三维表面网格，能够处理点密度极大跳跃，用于提取表面假设和合并表面假设，具有卓越的精度和完整性。

    May, 2017

  • 基于预测内外在比率指导的点云网格化

    本文提出了一种新的基于深度学习的方法，旨在从点云中重建物体表面网格表示，通过预测点云中三元组之间的连通性关系来生成高质量网格，并证明该方法在处理细节保留、模糊结构等实际问题时表现良好。

    Jul, 2020

  • 多面体表面：基于多面体表面的自监督点云重建

    使用法线构建多面体表面，用于解决原始点云到点云的重建问题，并且在三个常用数据集上取得了最先进的结果。

    Oct, 2023

  • 深度几何先验用于表面重建

    使用深度神经网络作为几何先验来实现基于点云的离散曲面重建，无需训练数据或显式正则化，实验表明该几何先验可用于处理包含尖锐特征和平滑有机物体的三维数据。

    Nov, 2018