CVPRMar, 2021

基于深度隐式移动最小二乘函数的三维重构

PDF
TL;DR本研究使用 IMLS 将点云转化为光滑曲面，进而结合深度神经网络进行图形生成，实现了从点云到光滑曲面再到形状生成的流程，实验表明该方法在重建质量和计算效率方面优于当前最先进的学习方法。
point setimlsimplicit functionneural networkshape generation
发现论文，激发创造
  • 基于隐式表面函数的快速三维形状重建的 TaylorImNet

    本研究提出使用 Taylor 级数的 TaylorImNet 模型来拟合连续隐式函数，该模型可以在不牺牲高分辨率的情况下提高 3D 形状生成的速度和精度。

    Jan, 2022

  • LISR：利用紧致支持径向基函数学习线性三维隐式曲面表示

    从部分和嘈杂的三维点云扫描中隐式三维表面重建是经典的几何处理和三维计算机视觉问题。本文提出了一种基于局部支持紧致径向基函数的线性隐式表面表示，并通过使用带标记距离场 (SDF) 数据进行监督学习，学习了物体的三维表面的线性隐式形状表示。所提出的方法在基准数据集上实现了更好的 Chamfer 距离和可比较的 F-score，并通过应用于三维形状完成任务展示了其有效性。

    Feb, 2024

  • 深度级集：用于三维形状推断的隐式表面表示

    通过引入一种变分形状推理方法以及一种新的几何损失函数，我们提出了一种端到端的可训练模型，可以直接预测任意拓扑的隐式表面表示，并演示了该模型在 3D 表面预测任务中的准确性和灵活性。

    Jan, 2019

  • 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

  • 将隐式函数学习与参数模型相结合的三维人体重建

    本文提出了一种方法，通过深度学习的隐式函数和参数表示相结合，重建出具有可控性和高准确性的人体 3D 模型，使得即使加上服装等复杂因素，也能够保证模型的灵活性。

    Jul, 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

  • 深度局部形状：学习本地 SDF 先验用于详细三维重建

    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

  • Iso-Points: 用混合表征优化神经隐式曲面

    本文提出了一种用于改进神经隐函数 3D 表示中采样和正则化的混合模型，利用 iso-points 作为神经隐函数的显式表示，使训练时能够实时计算并更新采样点，以捕获重要的几何特征和优化几何约束，提高重建质量和拓扑准确性。实验结果表明，相比现有方法，该方法可以更快地收敛、更好地泛化、更准确地恢复细节和拓扑结构。

    Dec, 2020

  • 无需三维监督学习推断隐式曲面

    本研究提出了一种基于射线场探测技术的隐式表面的学习方法，以及一种泛函约束方法，用于无需三维监督的三维形状推断。实验表明，在单视角基础上，使用我们的方法从图像中重建三维模型，无论是定量还是定性上都优于现有技术。

    Nov, 2019

  • IPVNet: 学习隐式点体素特征进行开放曲面三维重建

    我们提出了一种基于学习的隐式点 - 体素模型（IPVNet），通过利用原始点云数据和其离散化的体素对应物来预测三维空间中表面和查询点之间的无符号距离，以实现无误差引入的开放表面的准确重建。

    Nov, 2023