Dec, 2020

可组合通用的三维结构预测

PDF
TL;DR本文在单目图像 3D 形状重建领域引入了组合通用性的概念，并提出了一个新的框架来 better generalize 到那些有着非常不同的形状几何分布的看不见的目标类别。实验证明，我们的方法在 PartNet 中达到了比最先进的方法更高的性能，验证了我们的问题分解和网络设计的有效性。
single-image 3d shape reconstructioncompositional generalizabilityneural sub-moduleobject partspartnet
发现论文，激发创造
  • 基于组合先验的少样本单视图三维物体重建

    本文提出了三种针对三维重建少样本的方法，并将类先验有效地整合到模型中，以便考虑类内变异性和强制实施隐式组合结构，从而在少样本场景中显著优于现有基线模型，实验在 ShapeNet 数据集上。

    Apr, 2020

  • 学习从未见过的类别重建形状

    本研究提出一种通用重建算法（GenRe），利用深度和轮廓等 2.5D 表示方法和球形和体素表示方法，旨在捕捉更通用，不受特定类别约束的形状先验知识，实验结果表明该算法可以很好地解决从单张图像还原 3D 形状，并且能够泛化到未在训练中见过的多种不同类别的新物体。

    Dec, 2018

  • 从单个 RGB 图像学习无监督 3D 物体的分层部件分解

    该研究提出了一种新的方法，可以同时恢复 3D 对象的几何形状和基于部分的分解，以及它们之间的潜在层次结构，实验证明考虑部分的组织确实有助于推理三维几何。

    Apr, 2020

  • 基于先验知识的单幅图像 3D 重建的少样本泛化

    本文提出一种新的模型架构，将单视角三维重建重新定义为分类无关的先验纠正学习，初步结果表明该模型可以从提供的少至一组三维形状开始对目标物品进行分类再建，无需重新训练，且对于多视角的立体成像也有较好表现。

    Sep, 2019

  • 从图像中进行的无监督三维结构学习

    本文提出一种从 2D 图像中学习生成 3D 结构的深度生成模型，并通过概率推断从 3D 和 2D 图像中恢复这些结构，从而实现了第一个纯无监督学习下学习推断 3D 表示的方法，并在几个数据集上建立了基准模型。

    Jul, 2016

  • 基于语义一致性的自监督单视图 3D 重建

    我们提出了一种自监督的，单视图三维重建模型，通过 2D 图像和物体的轮廓预测目标物体的 3D 网格形状、纹理和相机姿势，该方法不需要三维监督，手动注释的关键点，物体的多视图图像或先前的 3D 模板，通过自监督地学习分类特定图像的部分分割，我们可以在重建网格与原始图像之间有效强制实现语义一致性，从而大大减少了模型在预测物体形状、纹理和相机姿态时的歧义，并且我们的模型可以不需要这些标签而轻松地推广到各种物体类别。

    Mar, 2020

  • 从图像集合中发现三维部件

    本文提出了一种自我监督的方法（LPD）来发现只有 2D 图像的物体的三维部件，并使用新的部件形状先验学习足够简单而又能忠实地匹配物体形状的部件，这种方法在实验中表现良好，比现有方法具有更好的重构精度。

    Jul, 2021

  • 单张图像的新型物体形状的三维重建

    该研究提出了一种基于 SDFNet 的创新方法，可以通过仅仅一张图像实现对物体的三维形状进行准确预测，相对于 GenRe 和 OccNet 方法来说，该方法在对已知和未知物体的形状重建方面实现了最优性能。

    Jun, 2020

  • 通过形状、姿态和着色的生成建模学习单张图片的三维重建

    该研究提出了一种新的框架，可以在只有 2D 图像且每个实例只有一个视角的情况下，从单张图像中进行特定类别的三维重建和新形状的生成，并支持较弱的监督。采用网格作为输出表达方式，利用光照参数和明暗信息进行训练，支持对洼地的物体类别进行学习。通过五项应用评估，发现该方法的性能表现优于现有的一些方法。

    Jan, 2019

  • 完全理解通用物体：建模，分割和重建

    使用半监督学习的方法，通过将 2D 图像分解成潜在表示组成部分，结合类别、形状、反照率等信息，重建出 3D 的物体结构并生成输入图像的近似图像，有效地利用真实 2D 图像进行模型的拟合。

    Apr, 2021