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