Jun, 2021

学习隐式字形表示

PDF
TL;DR该论文提出了一种新的隐式字形形状表示方法，基于此方法设计了一种简单而有效的解耦网络，用于挑战性的一次性字体样式转移问题，并取得了优于现有替代方案的结果，该表示方法具有将生成的字形转换为矢量字体的潜力，并能够为 2D 形状分析和合成提供强大的工具，鼓励进一步开发 2D 形状建模的隐式表示方法。
implicit glyph shape representationfont style transferdisentangled networkvector fonts2d shape modeling
发现论文，激发创造
  • 可伸缩矢量图形的学习表示

    该研究利用生成模型建立向量图形的连续生成模型，从而刻画字体绘制过程，提供了一种可操作的样式传播方法，有望成为平面设计师进行字体设计的工具。

    Apr, 2019

  • 多隐式神经字体表示

    本文利用 multi-implicits 来表示字体，以提高神经网络的性能；同时，提出了一种只需要局部监督来训练该表示的方法，并在各种任务中展示了其优越性，还能自然地完成字形。

    Jun, 2021

  • 对抗生成连续的隐式形状表示

    本研究提出了一种基于有符号距离表示的生成对抗神经网络架构，能够生成高保真度的三维模型，并通过使用不同的 progressively growing voxel 网络作为鉴别器以及细化生成器能力的算法，从 ShapeNet 基准数据集中验证了其有效性。

    Feb, 2020

  • 从汉字字形学习中文词表示

    本文提出了使用卷积自编码器学习汉字字形特点来增强中文词表示的新方法，并且创建了多个公共的评估数据集。

    Aug, 2017

  • 3DIAS：使用隐式代数曲面进行三维形状重建

    本论文中，我们提出了基于约束隐式代数曲面和深度神经网络的方法，以实现对高复杂度 3D 形状的更准确重建和分割，相较于现有单 RGB 图像 3D 形状重建技术，该方法表现出更强的表现力和性能，可无监督地进行学习。

    Aug, 2021

  • 具有隐式位移场的几何一致性神经形状表示

    本文介绍了一种新颖的隐式位移场在 3D 几何形状的表达及重构中的应用，它将一个复杂的表面表示为一个平滑的基础表面及一个沿着基础表面法线方向的位移，实现了高低频信号的分解，提高了表达能力、训练稳定性及泛化性。

    Jun, 2021

  • 使用结构隐式函数学习形状模板

    该论文介绍了一种从数据中学习通用形状模板的方法，通过基于局部形状元素的组合来选择隐式表面表示，可以适应各种几何和拓扑变化，而结构化的隐式函数适合学习，并允许网络平滑地同时拟合多类形状，该学习形状模板支持从 RGB 图像中进行形状探索，对应、抽象、插值和语义分割等应用。

    Apr, 2019

  • 学习形状的隐式几何规则化

    本文提出了一种从原始数据（即点云）中直接计算高保真度隐式神经表示的新范式，它鼓励神经网络在输入点云上消失并具有单位范数梯度的简单损失函数具有几何正则化特性，利用神经网络表示任务的表面形状的零水平集，避免不良零损失解，实验表明该方法与之前的方法相比具有更高的细节和保真度。

    Feb, 2020

  • 用显式变形场增强隐式神经形状表示

    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

  • MetaSDF: 元学习符号距离函数

    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