介绍了神经双等高线 (NDC) 方法,该方法使用神经网络来预测网格结构,并从符号或无符号的距离场、二进制体素网格或点云中生成网格,最终产生更好的曲面重建准确度、特征保留、输出复杂度、三角形质量和推断时间。
Feb, 2022
本文介绍了神经细分,这是一种新的数据驱动的从粗到细的几何建模框架。在推断期间,我们的方法将粗三角网格作为输入,并通过应用固定拓扑更新的 loop 细分来递归细分它以获得更好的几何结构,但使用一个基于补丁的局部几何的神经网络来预测顶点位置。我们的方法使我们能够学习复杂的非线性细分方案。
May, 2020
我们提出了一种新方法,利用网格作为指导机制来编辑神经辐射场,通过可微的多面体网格提取和可微的颜色提取,从显式网格到隐式场实现了梯度反向传播,使用户能够轻松操作神经辐射场的几何和颜色。通过引入基于八叉树的结构来优化用户控制性,实现了对神经隐式场的细粒度编辑,并适应了各种用户修改,包括对象添加、部件删除、特定区域变形以及局部和全局颜色调整。通过各种场景和编辑操作的广泛实验,我们展示了我们方法的能力和有效性。
Dec, 2023
该论文提出了一种称为 FastMESH 的有效的基于网格的神经渲染方法,通过采用六边形网格模型以及基于粗到细的空间切割方案,可以在快速训练的同时,实现更好的重建和新视角合成效果。
May, 2023
本文提出了一种名为神经体维网格生成器的神经网络模型,可以从随机噪声或参考图像中生成高质量的三维网格结构,并且通过比较实验,证明了这种方法在使用体素作为输入时相对于其他最先进的方法更具有稳健性,并且拥有更好的性能。
Oct, 2022
该论文研究了通过解析空间碎片恢复存在于其中的显式立体网格,对于基于感知神经网络的隐式表面的网格化等问题提出了透彻的理论,并给出了一种名为 AnalyticMesh 的软件,通过 CUDA 并行计算支持高效的隐式表面网格化及造型处理
Jun, 2021
通过将网格生成相关的微分方程嵌入神经网络的损失函数中,我们提出了一种新的方法,3DMeshNet,用于三维结构化网格的生成。该方法以几何点为输入,学习参数化和计算域之间的潜在映射,并通过前向神经预测高效地输出具有用户定义的四边形 / 六面体单元数的三维结构化网格。实验表明,3DMeshNet 稳健且快速,并且与传统的网格划分方法相比,产生优越的网格,并且相对于其他基于神经网络的方法减少了高达 85% 的训练时间,将网格生成开销降低了 4 至 8 倍。
May, 2024
通过使用分级细节技术和渐进式网格表示方法,在大量三维几何数据的传输过程中提高质量并降低带宽成本。
Aug, 2023
本文提出了一种将图形神经网络的原始 - 对偶框架扩展到三角网格上的方法,使用动态聚合机制对 3D 网格的边缘和面特征进行聚合分析,并引入一种准确的几何解释来处理网格连接的变化,并在形状分类和形状分割任务中获得与最先进技术相当或更优的性能。
Oct, 2020
本文介绍了使用针对三角网格而设计的卷积神经网络 MeshCNN 直接分析 3D 形状的方法,演示了任务驱动池化在应用于 3D 网格的各种学习任务中的有效性。
Sep, 2018