ICCVAug, 2021

LSD-StructureNet: 3D 部件层次结构中结构细节模型化

PDF
TL;DR本文提出了一种增强的 StructureNet 结构，名为 LSD-StructureNet，使得其能够生成位于任意位置的零件，并且不影响推理速度或输出的真实性和多样性，从而解决了之前基于整体建模的 3D 形状生成模型无法进行条件采样的问题。
generative models3d shapeshierarchies of partsconditional samplingstructurenet
发现论文，激发创造
  • StructureNet: 用于 3D 形状生成的分层图网络

    StructureNet 是一种基于层次图网络的生成模型，可以对以各种方式变形、修改的 3D 形状进行编码。它可以用于生成大量逼真的结构形状几何，也可以通过从未标记的图像、点云或部分扫描中直接发现形状结构，同时还能够用于形状生成、插值和编辑。

    Aug, 2019

  • SDM-NET: 结构可变网格的深度生成网络

    SDM-NET 是一种深度生成神经网络，用于生成符合形状集合全局部分结构的有结构变形的网格，并通过部分 VAE 在部分几何形状和结构 VAE 的联合学习来确保全局形状结构和表面详情之间的一致性。

    Aug, 2019

  • 面向结构感知形状合成的零件生成与组装学习

    通过使用部件感知深度生成网络 (PAGENet) 建模三维形状的变化，利用每个部件的 VAE-GANs 生成具有语义感知的部件，并使用部件组装模块将它们组装在一起，从而减少了建模三维形状变化的难度。该模型在语义形状分割和基于部件的形状编辑等应用中取得了可信度高、多样性和细节丰富的三维形状的生成效果。

    Jun, 2019

  • GRASS: 用于形状结构的生成递归自编码器

    介绍了一种新颖的神经网络架构，用于编码和合成 3D 形状的层次结构，其中包括生成模型和形状合成模块。

    May, 2017

  • DSG-Net：学习 3D 形状生成的分离结构和几何

    介绍了一种深度神经网络 DSG-Net，通过变分自编码器在分层结构上同时学习结构和几何形状，并使用条件部分 VAE 表示高质量的几何细节，从而实现了 D 形状生成的可控、高质量和可分离表示。

    Aug, 2020

  • 从单个 RGB 图像学习无监督 3D 物体的分层部件分解

    该研究提出了一种新的方法，可以同时恢复 3D 对象的几何形状和基于部分的分解，以及它们之间的潜在层次结构，实验证明考虑部分的组织确实有助于推理三维几何。

    Apr, 2020

  • 多元部分合成用于 3D 形状创建

    采用神经网络合成三维形状的方法中引入了基于部件表示的方法，在过去几年中已经出现。然而，当前方法不容易根据用户的偏好重新生成单个形状部件。本文研究了允许用户生成多个多样化部件建议的技术，特别是实验了先前的形状合成工作中未考虑的多模态深度生成模型。通过在基于部件表示的合成方法中评估这些技术，我们提供了一种比较研究。我们的贡献是定性和定量评估表明，哪种新的多模态部件生成技术表现最佳，并且基于表现最佳技术的合成方法在重构形状时可以更好地控制所生成的三维形状的部件，同时保持高形状保真度。

    Jan, 2024

  • 从图像集合中发现三维部件

    本文提出了一种自我监督的方法（LPD）来发现只有 2D 图像的物体的三维部件，并使用新的部件形状先验学习足够简单而又能忠实地匹配物体形状的部件，这种方法在实验中表现良好，比现有方法具有更好的重构精度。

    Jul, 2021

  • SAGNet：用于 3D 形状建模的结构感知生成网络

    SAGNet 是一种结构感知型生成模型，通过自编码器将某类物体的部件几何和部件间关系的结构特征联合学习，并在潜在空间中进行了嵌入。SAGNet 的编码器将几何和结构特征交错成单一潜在代码，而解码器可以解开特征并重构 3D 模型的几何和结构。

    Aug, 2018

  • 结构形状建模的重写技术

    通过结构重写系统（StructRe）进行局部迭代重写过程，实现不同类别、多个物体层次的形状建模，并在形状重建、生成和编辑任务中展示了概率建模和可推广性对于结构建模的好处。

    Nov, 2023