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
本论文提出了一种新的神经体系结构来表示3D表面,通过引入一些创新的一致性损失来保证两个形状表示方式的协同处理,这种混合架构能够比单一表示网络产生更优的结果。
Jul, 2020
本文探讨一种新方法--变形感知正则化--以更好地学习隐式神经表示形式,使其对隐式表示形式的变形具有可接受的合理性,并演示了其在如柔性变形等问题中的良好效果。
Aug, 2021
该论文提出了一种几何一致的神经隐式表面多视图重建方法,该方法利用多视觉几何约束和稀疏几何结构信息,结合有符号距离函数优化,以获得高质量的表面重建结果。
May, 2022
本文提出了一种新的3D表示方法,神经向量场(NVF),该方法充分利用了显式学习过程和隐式函数表示的强大表示能力,通过从查询向表面预测位移并使用矢量场对形状进行建模来打破分辨率和拓扑中的障碍,进而提出了一个基于矢量量化的形状代码本学习方法,最终实现了在不同的评价场景下优于最先进方法的结果,包括完整及非完整形状的构建、类别特定和类别不可知构建、类别未知构建和跨域构建。
Mar, 2023
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
该研究提出了一种利用插值与外推技术,通过有效计算几何特性和引入权重感知的隐式神经表示法,在有限的已知数据下重建具有优异定量和定性结果的表面,并能够处理非闭合表面的局部退化区域
Jun, 2023
本篇研究提出了一种名为ENS的表面重构方法,使用一系列神经形变场逐步将连续输入表面转换到目标形状,通过Laplace-Beltrami本征函数和标准外部傅里叶特征进行表征,具有实时性能和高质量的网格抽取能力。
基于无符号正交距离场的新型神经隐式表示法可实现准确重构曲面点而无需插值误差。
Mar, 2024
通过使用一阶微分特性(即,表面法线),本文展示了训练神经表示形成高准确度的3D表面重建,即使只有两个RGB视图可用,极大地改善了以前难以捕捉的复杂几何细节和薄结构。
Jun, 2024