通过构建先验库和分析输入和先验之间的相关性,本文提出了一种弱监督框架来从未见过的类别中重建完整的 3D 形状,并通过自监督形状细化模型进一步改进了粗糙形状,实验证明我们的方法明显优于现有方法。
Jan, 2024
本文提出一种基于深度学习架构的数据驱动方法来恢复三维形状的缺失部分,该方法包含全局结构推断网络和局部几何细化网络,并在六个实体类别上进行了定性和定量评估,表明优于现有的形状完成工作。
Sep, 2017
提出了一种基于两个分支的神经网络,用于点云的完形填充,其中第一个分支是连锁的对象完形子网络,第二个分支是一个自编码器,共同利用局部输入和粗糙输出来保留对象细节,并使用相同的特征提取器学习形状完形的全局特征,实验结果表明,该方法在点云完形填充任务上的效果超越了现有技术的方法。
Oct, 2020
本文提出了一种弱监督学习的三维形状补全方法,旨在解决从稀疏噪声点云进行三维形状补全的问题。与现有的数据驱动方法和基于学习的方法相比,该方法既不需要昂贵的优化步骤,也不需要直接监督,通过使用深度神经网络来学习最大似然拟合,具有高效和准确的形状补全能力。在来自 ShapeNet、ModelNet、KITTI 和 Kinect 的综合基准测试中,该方法能够与最近的完全监督基线相竞争,并且优于数据驱动方法,同时需要更少的监督并具有显着的速度优势。
May, 2018
本研究利用弱监督的方法,通过多视角几何约束来同时估计 3D 的标准形状和 6 自由度姿态,解决了学习未对准和真实世界部分点云的情况下,利用大量数据进行 3D 形状补全的问题。实验证明,学习姿势估计可以促进部分点云的配准。
Aug, 2020
通过基于学习的方法,利用生成建模和潜在流形优化来完成不完整的三维形状,我们的算法直接处理点云数据,成功地重建了在没有依赖基于示例数据库的检索的情况下大缺失区域的点云。
Jul, 2018
本文提出 ShapeHD,将深度生成模型与马赛克技术相结合,解决了单视角 3D 形状补全和重建的两个层面的问题,并在多个真实数据集上取得了比现有技术领先很多的表现。
Sep, 2018
这篇论文提出了一种用多模式条件生成模型进行多维形状补全的方法,能够消除单一输出方法存在的不确定性以获得更多的结果。通过多个数据集的实验,证明了该方法的多样性和质量。
Mar, 2020
本论文提出了一种基于对比学习方法的学习强大点云表示的新策略,该方法可以嵌入任何点云分类网络中,通过改进类内紧凑性和类间可分性来实现嵌入特征分布的细化,并提出了混淆易感类别挖掘策略来缓解由小的类间差异和类间紧凑度引起的混淆问题,并设计了一个基于信息熵理论的熵感知注意模块来识别嵌入空间中的样本异常值和不稳定样本,实验证明该方法比现有技术表现更好,并在现有技术中实现了显著的性能提升。
Jan, 2022
该研究提出一种新的方法,使用基于 3D 点云的局部扫描来完成物体和场景的自动化补全,并通过使用特定的编码器 - 解码器结构以及三个特殊开发的新型层来实现。该方法在对象和室内场景自动补全任务中表现出优异的性能,并提高了技术水平。
Mar, 2022