Jun, 2021

点作为形状：可微分泊松求解器

PDF
TL;DR本文提出了一个基于可微分的 Poisson 曲面重建形式的可微分点到网格层，实现与另外两种不同类型表达（点和网格）之间的连接，达到更好的 3D 重建效果，比基于神经暗示表达的方法更精炼且推理时间加速了一个数量级。
3d reconstructionneural implicit representationsdifferentiable psr layersurface reconstruction metricsshape-as-points model
发现论文，激发创造
  • 深度隐式曲面点预测网络

    本文提出了一种新的隐式表示方法，称为最接近的表面点（CSP）表示，用于表示具有任何拓扑结构的开放或封闭形状并计算本地几何属性，可以实现高保真度和有效实现外围算法，如球追踪来呈现三维表面和创建显式基于网格的表示，并在 ShapeNet 数据集上验证了超越最先进结果的贡献。

    Jun, 2021

  • 点云中无旋流的 $p$-Poisson 曲面重建

    通过对无组织点云进行局部偏微分方程监督以及差分矢量场的基本属性，本文提出了一种具有鲁棒性、高质量的曲面重建方法，采用了隐式神经表示技术，并通过学习 $p$-Poisson 方程得到符号距离函数 (SDF)，从而隐式表示重建曲面。实验结果表明，所提方法在标准基准数据集上能提供更好的鲁棒性和重建效果。

    Oct, 2023

  • 动态点场

    本文提出了一种动态点场模型，它将显式点图形的表现优势与隐式形变网络相结合，以便有效地建模非刚性 3D 表面，并演示了该模型在创建表情逼真的可动人体形象方面的优势。

    Apr, 2023

  • 神经奇异黑塞：通过强制奇异黑塞实现无定向点云的隐式神经表示

    基于神经隐式表示的重建方法通过使神经函数具备有符号距离函数的特性，结合拟合正则化项，可以从点云中重建出粗糙但贴合度较高的表面，同时有效抑制幽灵几何并从未定向的点云中恢复细节。

    Sep, 2023

  • DiGS：非定向点云的发散引导形状隐式神经表征

    本文提出了一种基于散度导向的形状表示学习方法，不需要输入法向量，并且引入了一种新颖的几何初始化方法，使得 INR 网络在表面重建和形状空间学习任务中取得了比当前最先进的朝向无关方法更好的性能。

    Jun, 2021

  • 点引导的神经隐式表面重建：体积渲染

    利用点引导机制实现精确和高效的多视图重建，通过优化神经投影模块和隐式表面表示，提高面向细节和光滑区域的高质量曲面重建，并且对噪声和稀疏数据具有很强的鲁棒性。

    Oct, 2023

  • 混合 CSR：联结显式和隐式形状表示进行皮层表面重建

    Hybrid-CSR 是一种几何深度学习模型，它结合了显式和隐式形状表示，用于皮质表面重建。该方法统一了显式和隐式皮质表面重建，通过优化改进的网格变形模块进行端到端训练，以捕捉详细结构并解决拓扑缺陷，以达到更准确、规则和一致的数字测量结果。

    Jul, 2023

  • 稀疏潜点扩散模型控制的带限网格生成

    通过设计一种新颖的稀疏潜点扩散模型，将点云作为中间表示建模并控制生成的网格的整体结构和局部细节，以提高效率和可控性，实现了在生成质量和可控性方面与现有方法相比优越的网格生成。

    Mar, 2023

  • 单张图像的三维物体重建点集生成网络

    使用深度神经网络从单一图像中重建 3D 点云坐标，设计了面对真实世界几何转换不变性和地面真实性模糊的问题的新型方法，包括条件形状采样器，能够预测多个可能的 3D 点云。在实验中表现优异，不仅在单图像 based 3D 重建基准测试中胜过现有技术，也在形状补全方面表现出强大性能，有望在多个可能性预测方面表现出色。

    Dec, 2016

  • 基础点集下点云高效学习

    本文提出了基础点集 (BPS) 作为一种高效且全面的用于机器学习算法处理点云的方法，并通过实验展示了其在形状分类和高分辨率网格对噪声扫描的配准方面的性能。

    Aug, 2019