ICCVSep, 2021

多分辨率深度隐式函数用于 3D 形状表示

PDF
TL;DR本文提出了一种名为 MDIF 的多分辨率深度隐式函数，该模型可以在进行 3D 重建时恢复精细的几何细节，并支持多种应用，其创新点在于可以同时表示不同细节级别并支持逐步编码，支持编码器 - 解码器推理、仅解码器潜在空间优化，并在形状完成任务下获得优于现有技术的性能表现。
multiresolution deep implicit functionshierarchyshape completionlatent grid dropout3d reconstruction
发现论文，激发创造
  • 局部深度隐式函数用于三维形状

    本文介绍了一种将三维表面图像表示成局部深度隐式函数并进行不同模型之间的泛化、空间分解等相关工作，并在实验中证明了该算法在表面重建和深度图像完成方面的效果优于现有算法。

    Dec, 2019

  • 动态隐式图像函数用于高效任意尺度图像表示

    DIIF 是一种动态隐式图像函数，其使用坐标分组和切片策略从坐标切片到像素值切片进行解码，以显着降低计算成本，并且可以与超分辨率方法集成以实现令人满意的性能。

    Jun, 2023

  • 深度内隐模板用于三维形状表示

    本文提出了一种基于 Deep Implicit Templates 的新型三维形状表示方法，支持在深度隐式表示中进行显式的对应关系推理，并使用 Spatial Warping LSTM 解决推理过程中的空间变换问题，同时采用特殊的训练损失函数实现了无监督学习。实验证明，该方法不仅能够学习一个共同的隐式模板，还能够在不需要监督信号的情况下，对所有形状进行精确的无缝对应。

    Nov, 2020

  • 使用动态编码云学习 3D 形状的深度隐函数

    本文介绍了一种名为 DCC-DIF 的深度内隐函数学习方法，通过将本地编码与可学习的位置向量相对应，将 3D 形状表示为动态编码云，用于捕获几何细节，提高表示能力和重建质量。

    Mar, 2022

  • 三维形状重建和完成的特征空间中的隐式函数

    本文提出了一种名为 IF-Nets 的新模型来解决从不同类型的三维输入中恢复和补全三维物体的问题，IF-Nets 可提取深度特征，保留输入数据中存在的细节，并可以重建活动的人体模型。实验证明 IF-Nets 在 ShapeNet 中的三维物体重建和人体重建方面明显优于以往的工作。

    Mar, 2020

  • 非刚性物体的跨类别信号隐式建模

    通过多物体深度隐式函数模型（MODIF），我们提出了一种学习多个非刚性实例的变形场和实例特定潜在代码的方法，以实现精确、无碰撞的形状表示，并在医学基准测试中展示了其优越性能。

    Dec, 2023

  • 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

  • 自适应局部隐式图像函数用于任意比例超分辨率

    本研究提出了一种新的自适应局部图像函数（A-LIIF）模型，旨在通过采用编码器和扩展网络，建模多个局部隐式图像函数的加权组合，从而缓解局部隐式图像函数（LIIF）模型在边缘周围出现结构失真和环状伪影等问题，实现图像超分辨率的高精度重建。

    Aug, 2022

  • 引导深度超分辨率的联合隐式图像函数

    本文提出了一种将指导性先验信息引入深度超分辨率模型的方法，使用联合隐式函数 (JIIF) 来表示目标图像领域，并使用图注意力机制在联合深度隐式函数中学习插值权重，该方法在三个公共基准测试中显着优于现有方法。

    Jul, 2021