深度行军四面体:用于高分辨率三维形状合成的混合表示
通过神经网络对显式动态网格进行编码的混合表示方法 Dynamic Tetrahedra (DynTet) 提供了一种有效的几何一致性,解决了在准确建模复杂面部变形方面缺乏显式几何约束的困境。与以往的工作相比,DynTet 在保真度、口型同步和实时性能等多个指标上表现出了显著的改进,同时还能输出动态网格并有很多新兴应用的潜力。
Feb, 2024
介绍 Deformable Tetrahedral Meshes (DefTet) 作为一种特殊的参数化,利用容积四面体网格用于重建问题,该方法可以同时达到高精度、容积、可学习神经架构,并且可以产生比替代容积方法小得多的网格大小的高保真重建。
Nov, 2020
Tetrahedron Splatting (TeT-Splatting) is a novel 3D representation that achieves easy convergence during optimization, precise mesh extraction, and real-time rendering simultaneously, while incorporating eikonal and normal consistency regularization terms for improved generation quality and stability.
Jun, 2024
本文提出了一种新的基于学习的网络 DeepDT,用于从点云的 Delaunay 三角化重建物面。它通过多标签监督策略实现结构正则化,并能够在保持丰富几何细节的同时生成不过于复杂的表面,尤其是对于开放场景的内部表面。实验证明 DeepDT 具有较高的性能和泛化能力,并且在时间消耗方面与最先进的方法相当竞争力。
Jan, 2021
GEM3D 是一种新的深度、拓扑感知的 3D 形状生成模型,通过神经骨架为基础的表示编码形状拓扑和几何信息,生成更准确的拓扑和几何信息的表面,并应用于形状综合和点云重建任务,取得了显著的表面重建和多样化形状生成结果。
Feb, 2024
本文提出了一种基于可变四面体网格的扩散模型,用于生成具有细粒度几何细节的 3D 网格,以适用于自动场景生成和物理模拟等各种应用。
Mar, 2023
我们提出了一种可导表示 DMesh,用于一般的三维三角网格。DMesh 考虑了网格的几何和连通性信息。在我们的设计中,我们首先基于加权 Delaunay 三角剖分 (WDT) 获得一组紧凑的凸四面体,并基于 WDT 以可导的方式提出面存在的概率,从而使得 DMesh 能够以可导的方式表示各种拓扑的网格,并利用基于梯度的优化方法在各种观测条件下,例如点云和多视角图像,进行网格的重建。完整论文和源代码可在此 https URL 找到。
Apr, 2024
我们提出了 TetSphere 喷洒,一种用于重建高质量几何形状的显式的拉格朗日表示。与传统的物体重建方法不同,它主要使用欧拉表示,包括神经隐式方法(如 NeRF,NeuS)和显式表示方法(如 DMTet),通常在高计算需求和低优化网格质量方面存在问题。 TetSphere 喷洒利用了一个被低估但非常有效的几何原语 - 四面体网格。通过可微渲染和几何能量优化的组合,它将多个初始四面体球体变形以准确重建 3D 形状,从而实现了显著的计算效率。作为一种强大而灵活的几何表示方法,Tet-Sphere 喷洒无缝地集成到各种应用中,包括基于单视角的 3D 重建和图像 / 文本到 3D 内容的生成。实验结果表明,TetSphere 喷洒优于现有的表示方法,具有更快的优化速度,增强的网格质量和可靠的薄结构保留。
May, 2024