Oct, 2021

三维关节对象无监督姿态感知部件分解

PDF
TL;DR本文提出了一种 PPD 方法，针对具有机械关节的人造关节物体，考虑零件姿态，利用类似的类别先前知识，实现对零部件的非原始隐式表示的无监督学习和零件姿态作为单帧形状监督下的关节参数的无监督学习，提高了关节物体的一致部件分解率。
unsupervised learningpart decompositionarticulated objectspose estimationmechanical joints
发现论文，激发创造
  • 通过部件检索和组装实现非监督式三维形状重建

    通过在实现中使用用户提供的一组三维部件的库，我们提出了基于自我监督的方法来将 3D 形状分解，使得对部件的选择和分解方式都可以进行完全控制。实验表明，这种方法比现有方法提供了更高的重构准确性和更理想的分解。

    Mar, 2023

  • 特征对齐下的无监督部件发现

    本文提出利用无监督学习的方法发现物体的不同部位，通过神经网络构建特征并实现物体识别和部位检测。

    Dec, 2020

  • 无监督发现部件、结构和动态

    本文提出了基于无标注视频的 “物体部件、结构和动态模型”（PSD）模型，可以同时学习层次化、解耦合的物体表示以及物体部件的动态模型，并且在多个真实和合成数据集上都表现良好，实现了物体部件的分割、层次结构的构建以及运动分布的捕捉。

    Mar, 2019

  • 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

  • 基于部件导向的新颖图像合成的自监督三维人体姿态估计

    本文提出了一种基于自监督学习的框架，利用单个基于零件的 2D 木偶模型、人体姿势约束和一组未配对的 3D 姿势来区分摄像机捕捉的人体姿态中的变化，从而在不同视频中提高多个任务的性能，包括 3D 姿势估计和部分分割。

    Apr, 2020

  • 无监督基于部件的物体形状和外观解耦

    提出了一种基于无监督学习的方法，通过学习物体的不同特征，如表现和形状，来实现特征的分离和表示，并使用等变约束进行训练，适用于任意类别，并在各种任务中表现优异。

    Mar, 2019

  • 基于自监督的类别级联物体姿态估计与部件级 SE (3) 等变性

    这篇论文提出了一种基于自监督学习的方法，通过部分等变形状分析提取规范形状和物体姿态，再通过刚性变换描述部件从规范空间到相机空间的转换，实现未知关节感知物体的层次化姿态估计。

    Feb, 2023

  • 3D 网格形状和姿态的无监督分离

    本文提出了一种简单但有效的无监督学习方法，结合自一致性和交叉一致性约束，并将尽可能刚性形变集成到训练循环中，以学习体态模型中的形状和姿态空间，并演示了学习表示的实用性，包括姿势转移和形状检索，实验证明了该方法的通用性。

    Jul, 2020

  • 从 3D 范围数据中恢复关节式物体模型

    本文介绍了一种基于无监督学习的算法，可以从 3D 点云数据中自动分解复杂的关节式物体模型，定位其各部分的位置，并还原其关节连接，方法通过无刚性变形技术配合 EM 算法和图像模型实现，可在避免局部最大值的情况下获取大量物体部分。

    Jul, 2012

  • 观察移动：无监督发现用于再定位关节的 3D 关节点

    通过从多个视角观察未被注释的关节的外表和结构学习，实现姿势控制和连通性的自动识别，使渲染出的物体更真实。

    Dec, 2021