ICCVMay, 2021

SA-ConvONet：卷积占用网络的符号不可知优化

PDF
TL;DR本研究提出一种使用无标记交叉熵损失的卷积占据网络进行表面重建的方法，以实现大规模场景的高级可扩展性、新型形状的一般性和原始扫描的适用性。实验结果表明，该方法对于未定向点云的表面重建具有优越的准确性。
surface reconstructionpoint cloudsimplicit field optimizationconvolutional occupancy networksun-orientated point clouds
发现论文，激发创造
  • 从原始数据中无差别地学习形状的 SAL 算法

    本文介绍了一种神经网络深度学习的方法，用于直接从原始的几何数据（如点云和三角形网格）中学习隐式形状表示，并已在表面重建和人形态空间学习等领域取得最先进的成果，使得几何深度学习在真实世界的数据上应用变得更加便利。

    Nov, 2019

  • 卷积占据网络

    本文提出基于卷积的代表性网络 Convolutional Occupancy Networks 用于 3D 重建，实现了在较为复杂的几何情况下的结构化推理及其他先验偏差的融合，通过从噪声点云等数据中重建复杂几何模型且适用于大尺度室内场景。

    Mar, 2020

  • POCO：点卷积用于曲面重建

    研究提出了一种使用点云卷积和在每个输入点计算潜在向量的方法，然后进行最近邻的基于学习的插值。实验结果表明，该方法在大多数经典指标上明显优于其他方法，生成更精细的细节并更好地重建了更薄的体积。

    Jan, 2022

  • 基于函数空间学习三维重建的占用网格

    本文提出了一种新的基于占据网络的、在 3D 重建方面使用的表示方法，可以在计算和内存效率上实现任意拓扑的高分辨率几何表示，并通过各种输入进行推断，产生竞争力的结果。

    Dec, 2018

  • 动态平面卷积占据网络

    本研究提出了一种新型的动态平面卷积占据网络 (Dynamic Plane Convolutional Occupancy Networks)，它可以通过编码点云并将其投影到多个 2D 动态平面上，使用全连接网络来预测最佳的平面参数，进而从未定向的点云中实现更优秀的表面重建。该方法在 ShapeNet 和室内场景数据集上均表现出优越性能，并对学习到的动态平面的分布提供了有趣的观察结果。

    Nov, 2020

  • 基于稀疏点云的无监督占据学习

    通过使用基于边界采样的方法和基于熵的优化过程，我们提出一种从稀疏输入中学习占据场的方法，并展示了该方法在隐式形状推断方面相对于基线方法和现有技术的有效性。

    Apr, 2024

  • 混合去噪通用占据网络

    通过使用 MLPs 对局部特征进行编码，以点云来恢复 3D 重建的模型，通过引导去噪的相对位置编码，从点云中汇集附近的特征，预测空间中的任意查询点的占用概率，并夺得了卷积方法的最新成果，并且只使用了一半的模型参数。

    Nov, 2023

  • SALD：利用导数进行符号无关学习

    本文介绍了用于从点云、三角面片或未定向网格直接学习形状的方法 ——SALD（基于符号不敏感学习的带导数隐式函数表示），该方法将导数与点云数据的无符号距离函数相结合，通过优化回归损失，得到一个带符号的高质量隐式函数解。作者在 ShapeNet 和 D-Faust 数据集上进行了实验证明了此方法的高效性和在有向网格和原始三维扫描方面的表现优异。

    Jun, 2020

  • SHS-Net: 学习符号超曲面来估计点云的定向法线

    介绍了一种使用 SHS 方法的点云定向法，通过学习带符号的超曲面，并细化了局部和全局信息，以较高的精度预测点云定向法

    May, 2023

  • 利用卷积网络自动提取航拍场景中的建筑物

    本研究提出了一种使用卷积网络和距离函数的方法，利用 GIS 中的建筑足迹数据训练，可实现从空中和卫星图像中自动提取建筑物的任务自动化，并在大规模和复杂的数据集上显著优于先前的方法。

    Feb, 2016