Aug, 2021

用显式变形场增强隐式神经形状表示

PDF
TL;DR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。
implicit neural representationdeformation-aware regularizationlatent codepiecewise linear deformation fieldas-rigid-as-possible deformations
发现论文，激发创造
  • 通过 Lipschitz 正则化学习平滑神经函数

    本文介绍了用于神经隐式场的 Lipschitz 正则项，以促进其对良好变形处理的优化，并在 3D 形状插值、外推以及部分重构相关应用中与现有技术和基准模型相比取得更优的量化和定性结果。

    Feb, 2022

  • 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

  • 通过稠密对应实现可变形物体的隐式形状表示的自监督学习

    使用自监督学习方法为可变形物体学习神经隐含形状表示法，无需特定语义领域的额外注释和大量变形约束，可用于纹理转移和形状编辑应用。

    Aug, 2023

  • 通过可控局部变形场实现的隐式神经头部合成

    通过基于部件的隐式形状模型，我们设计了一种可以控制 3D 头像的方法，可以推断局部语义 Rig，包括面部特征，通过局部控制丰富了隐式形变字段，使其具有更强的局部控制性能。

    Apr, 2023

  • 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

  • Deformed Implicit Field：学习稠密对应关系建模三维形状

    本论文提出了 Deformed Implicit Field (DIF) 表示法来建模 3D 物品的形状，实现物品之间稠密的对应关系。DIF-Net 神经网络通过学习一个特定类别的物品的形态潜在空间和这些物品的 Deformation Field 来实现对应关系的建立以及对物品形状差异的度量，还考虑了材质和形状编辑等应用。

    Nov, 2020

  • 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

  • 野外三维车辆重建的神经隐式建模修复

    本文提出了一种基于神经隐式模型的 3D 物体重建方法，通过深度编码器作为初始形状潜码的鲁棒优化器，利用规则化测试时间优化潜码，深度鉴别器作为高维形状先验，并使用新颖的课程学习策略，从而更好地捕捉全局细节，在模糊的基准数据集上表现出色，展示了在真实世界数据上超越现有技术的优越性。

    Jan, 2021

  • 鲁棒性非刚性形状匹配的隐式场监督

    本文提出了一种基于自编码器框架的方法，学习固定模板上的连续形状变形场，通过表面内和表面外的点监督变形场，并通过一种新的有符号距离正则化方法，实现了非刚性形状对齐，在清洁水密网格上训练，在面临噪声，异常值和自遮挡等挑战时表现出色，为现实世界数据的形状分析提供基础。

    Mar, 2022

  • 生成形状模型的隐式场学习

    本文提出了一种基于隐式场的解码器 IM-NET 来提高生成形状的视觉效果， 通过替换传统解码器，通过 IM-AE 进行表示学习和 IM-GAN 进行形状生成，可以在概念建模、插值和单角度 3D 重建等任务中获得更优秀的结果。

    Dec, 2018