A-SDF: 学习解耦有符号距离函数以表示关节形状
本文利用手的结构作为 SDF 的引导,并预测姿势变换的运动链,对高关节手姿势对齐 SDF 进行了改进,最终在 ObMan 和 DexYCB 基准测试中取得了比现有技术更显著的改进。
Apr, 2023
介绍了 DeepSDF 方法,它是用于高品质形状表示、插值和完成的一种学习连续有符号距离函数(SDF)的表示,将 3D 几何表示为体积场,并可表示整个形状类。DeepSDF 方法相比以往方法降低了一个数量级的模型大小,同时获得了学习 3D 形状表示和完成方面的最先进性能。
Jan, 2019
本文研究了使用神经代表距离函数(SDF)进行三维对象表示学习的泛化能力,提出了一个半监督元学习方法,可将形状先验从有标签的数据传输到无标签的数据中,用于重建未知的对象类别,并实现了 100 多个未见过的类别的强大的零 - shot 推理。
Jun, 2022
本文提出了一种基于先验知识的手部和物体联合重建方法,其中通过参数化模型获得手和物体的姿态,用它们来对齐三维空间中的有符号距离场数据,以重建更精细的手势和形状细节,实验表明该方法在 ObMan 和 DexYCB 数据集上有显著的性能优势。
Jul, 2022
该论文讨论了神经隐式形状表示的基本概念,比传统的离散表示具有更好的记忆效率和更高的空间分辨率,并提出了一种基于梯度的元学习算法以提高形状空间的泛化能力,从而实现从部分或噪声观测数据中进行的几何重建。该方法在测试时间推断上比自动编码器的方法快一个数量级,同时超过基于编码器 - 解码器的池化网络集合编码器方法。
Jun, 2020
本文提出了一种基于优化的操作规划框架,其中目标是学习表示场景中物体的符号距离场的学习功能。我们通过代表物体的符号距离场来展示表示对象的方法不仅可以学习和表示多种模型,而且比点云和占用度量表示具有更高的准确性,并适用于基于优化的规划。我们通过学习运动学和动力学模型来解决在钩子上挂杯子和在桌子上推动物体等任务,这些任务都可以在相同的研究框架下解决,因为符号距离场是对象的共同表示。
Oct, 2021
通过神经网络模型,本研究提出一种新的框架来明确分解关节物体的部分运动,通过预测部分表面上的点的转换矩阵,使用空间连续的神经隐式表示来平滑地建模部分运动,在对不同类别的关节物体进行实验的数量化和质量化结果证明了我们的方法的有效性。
Nov, 2023
在室内场景中,我们提出了一种基于结构感知的在线有符号距离场(SDF)重建框架,特别是在 Atlanta 世界(AW)假设下,命名为 AiSDF。通过该在线框架,我们推断给定场景的潜在 Atlanta 结构,然后估计支撑 Atlanta 结构的平面 surfel 区域,提供了给定场景的显式平面地图。此外,基于这些 Atlanta 平面 surfel 区域,我们对 SDF 重建进行自适应采样和约束结构规律性,从而在保持高层结构的同时增强给定场景的细节。我们在 ScanNet 和 ReplicaCAD 数据集上评估了提出的 AiSDF,证明了该框架能够隐式地重建对象的细节,并在房间尺度的场景中显式地重建结构。
Mar, 2024
本论文提出了一种基于自监督学习的方法,仅仅通过一组彩色图像就能够学习到一个关节物体类的几何、外表和动作的表示,从而实现这些语义维度的独立控制,该方法不需要形态学的注释,相对于现有的采用 3D 直接监督的各种方法,使用本方法只需 2D 观测即可恢复更精准的几何和外观,并且具有少样本重建、新关节生成和新视角综合生成等众多应用。
May, 2022
本文提出了一种改进神经 UDF 学习的方法,通过集中学习表面边缘来提高神经 UDF 对原始 3D 表面的保真度,并提出了一种基于统计学方法的表面边缘检测技术。
May, 2024