Jun, 2021

DiGS：非定向点云的发散引导形状隐式神经表征

PDF
TL;DR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。
implicit neural representationsdivergence guided shape representation learningsurface reconstructionnormal vectorsgeometric initialization method
发现论文，激发创造
  • 基于隐式神经表示的形状深度学习

    本文介绍了 Implicit Neural Representations (INRs) 的概念，并提出了 inr2vec 框架作为一种有效的在深度学习流程中解决 INRs 表示的下游任务的方法。

    Feb, 2023

  • 相变、距离函数和隐式神经表示

    该论文提出了一种新的损失函数用于训练无障碍神经表达模型，该方法受到流体相变理论的启发，并可以生成稠密函数以逼近真实的占用函数和距离函数，并可用于表面重建。

    Jun, 2021

  • INFusion: 基于扩散正则化的隐式神经表示用于二维和三维加速 MRI 重建

    INFusion 是一种技术，通过使用预训练的扩散模型，为基于学习的隐式神经表示（INRs）的优化提供正则化，以改善图像重建。2D 实验证明了使用我们提出的扩散正则化改进了 INR 训练的效果，而 3D 实验则证明了在 256x256x80 大小的 3D 矩阵上使用扩散正则化进行 INR 训练的可行性。

    Jun, 2024

  • 基于法向引导的高保真三维曲面重建的神经隐式函数

    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

  • 通过能量模型优化点云的隐式神经表示

    使用基于能量的模型优化隐式神经表示的三维点云连续曲面重建，进一步确认该方法在噪声点云下更加鲁棒。

    Nov, 2023

  • GNeRP：基于高斯引导的有噪极化先验的反射物体神经重建

    通过基于高斯的法线表示，本文提出了一种监督的方式来学习反射场景中几何形状的细节，通过极化先验引导几何学习，并通过优化过程中的重新权重策略来减轻极化先验的噪声问题，实验证明本文的方法在反射场景的神经三维重建中表现出色。

    Mar, 2024

  • LISR：利用紧致支持径向基函数学习线性三维隐式曲面表示

    从部分和嘈杂的三维点云扫描中隐式三维表面重建是经典的几何处理和三维计算机视觉问题。本文提出了一种基于局部支持紧致径向基函数的线性隐式表面表示，并通过使用带标记距离场 (SDF) 数据进行监督学习，学习了物体的三维表面的线性隐式形状表示。所提出的方法在基准数据集上实现了更好的 Chamfer 距离和可比较的 F-score，并通过应用于三维形状完成任务展示了其有效性。

    Feb, 2024

  • 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

  • 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

  • NeuralGF: 通过学习神经梯度函数进行无监督点法线估计

    通过引入一种新的神经梯度函数学习范式，我们提出了一种从点云中直接估计定向法线的新方法，它能够更准确地学习未定向和定向法线估计任务。

    Nov, 2023