Jun, 2021

深度隐式曲面点预测网络

PDF
TL;DR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。
implicit modelsunsigned distance functionsgeometric propertiesclosest surface-point representationshapenet dataset
发现论文，激发创造
  • 统计边缘检测与形状表示的 UDF 学习

    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

  • 学习局部形状函数的无符号距离场用于三维表面重建

    利用局部形状函数学习无符号距离场（UDF）的神经框架 LoSF-UDF，从 3D 点云重建表面，无需针对具体形状进行训练，并且对于点云中的噪声和异常值表现出增强的鲁棒性。

    Jul, 2024

  • 从原始点云逐步学习具有一致性感知的无符号距离函数

    本研究提出了一种从原始点云直接学习一致性感知无符号距离函数的新方法，以进行表面重建，同时引入了多边形化算法以直接从学习的 UDF 的梯度场中提取表面。实验结果表明，在合成和真实扫描数据的表面重建方面，该方法在广泛使用的基准测试中明显优于现有技术。

    Oct, 2022

  • 神经无符号距离场用于隐函数学习

    本论文提出了一种名为神经距离场（Neural Distance Fields）的神经网络模型，可用于预测稀疏点云的非闭合曲面的符号距离场，以重构有内部结构的物体的表面，并实现了面法线计算和渲染。

    Oct, 2020

  • 神经向量场：显式学习的隐式表示

    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

  • 基于网格交叉预测的点云表面重建

    通过直接预测采样的点对之间线段与隐式表面的交点，本文提出了一种新的方法，既能够有效地表示开放表面，又能够消除网格中的伪影。在 ShapeNet、MGN 和 ScanNet 三个数据集上，我们的方法展示了最先进的性能。

    Mar, 2024

  • NeuralUDF: 学习无符号距离场进行任意拓扑表面的多视角重建

    本文提出 NeuralUDF 方法，通过体绘制从 2D 图像重建任意拓扑表面，使用无符号距离函数表示表面，成功实现复杂形态的非封闭形状高质量重建。

    Nov, 2022

  • 无符号正交距离场：多样化 3D 形状的准确神经隐式表示

    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

  • 点作为形状：可微分泊松求解器

    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。

    Jun, 2021

  • NeUDF：利用体渲染学习神经无符号距离场

    本文介绍了一种新的神经渲染框架，名为 nEudf，它可以仅通过多视图监督来重建具有任意拓扑结构的表面；多次实验结果表明，相对于已有的多视图表面重建方法，nEudf 在重建形状复杂、具有开放边界的物体时表现更卓越。

    Apr, 2023