AAAIJan, 2021

DeepDT：从 Delaunay 三角剖分中学习几何用于表面重建

PDF
TL;DR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。
surface reconstructiondelaunay triangulationdeepdtgraph filteringmulti-label supervision
发现论文，激发创造
  • 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

  • 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 Delaunay 表面元素进行网格重建

    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。

    Dec, 2020

  • PointTriNet：学习三维点集的三角化

    本研究通过使用 PointTriNet 模型，基于局部几何数据，使用一个分类网络和一个提议网络，生成一组点的三角剖分，实现了一个不需要监督训练的，可扩展的三维几何形态学习方法。

    Apr, 2020

  • 深度行军四面体：用于高分辨率三维形状合成的混合表示

    介绍了一种深度三维条件生成模型 DMTet，它能够使用简单的用户指南（如粗略体素）合成高分辨率的三维形状。它将隐式和显式三维表示的优点结合起来，利用一种新颖的混合三维表示，并在表面网格上明确定义重建和对抗性损失，使我们能够综合更精细的几何细节，具有任意拓扑。

    Nov, 2021

  • 学习动态四面体进行高质量的说话头部合成

    通过神经网络对显式动态网格进行编码的混合表示方法 Dynamic Tetrahedra (DynTet) 提供了一种有效的几何一致性，解决了在准确建模复杂面部变形方面缺乏显式几何约束的困境。与以往的工作相比，DynTet 在保真度、口型同步和实时性能等多个指标上表现出了显著的改进，同时还能输出动态网格并有很多新兴应用的潜力。

    Feb, 2024

  • 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

  • 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

  • CircNet：基于外接圆检测的 3D 点云网格化

    本文提出了一种基于深度神经网络的点云三角化方法，通过检测三角形垂心来实现，从而避免了枚举所有三角形组合和表面参数化，实现了高效、通用和稳健的三角化。

    Jan, 2023

  • 3D 标注工具

    介绍了一个名为 3D Labeling Tool（3DLT）的标注工具，利用深度信息从图像中重建三角网格来对目标进行一次标注，大大提高了标注的速度。该工具可用于 2D 图像和 3D 三角网格，并且采用注册和异常值检测等技术提高标注精度。

    Jul, 2022