CVPRJan, 2022

ConDor：针对部分形状的 3D 姿势自监督规范化

PDF
TL;DRConDor 是一种自监督学习方法，用于学习规范化 3D 位姿，能够处理来自互联网模型集合或深度传感器的任意姿态的物体，基于 Tensor Field Networks，利用自监督损失从非规范化的 3D 点云集合中学习规范化的 3D 位姿和共同切割物体部分，实现出色的定量结果和注释迁移等新应用。
3d object understandingself-supervised methodtensor field networksequivariant canonical poseco-segment object parts
发现论文，激发创造
  • C3DPO: 用于非刚性结构运动的规范化三维姿态网络

    C3DPO 是一种从 2D 关键点注释中提取可变形物体的 3D 模型的方法，通过学习深度网络来重建三维物体，并明确因素化影响各个角度变化和物体变形，在不需要三维监督的情况下展示了一系列基准的最新重建结果。

    Sep, 2019

  • OriCon3D: 利用方向和置信度的有效 3D 物体检测

    通过改进的深度卷积神经网络以及多元箱子架构和几何限制，本研究在 KITTI 3D 检测基准测试上确定了更准确的三维对象姿态。

    Apr, 2023

  • 野外场景弱监督 3D 形状补全

    本研究利用弱监督的方法，通过多视角几何约束来同时估计 3D 的标准形状和 6 自由度姿态，解决了学习未对准和真实世界部分点云的情况下，利用大量数据进行 3D 形状补全的问题。实验证明，学习姿势估计可以促进部分点云的配准。

    Aug, 2020

  • 规范姿态下的自监督胶囊

    本研究提出了一种自监督胶囊体系结构用于 3D 点云，其通过置换等变性注意力计算对象的胶囊分解，并通过随机旋转对象对进行训练。我们的关键思想是将注意力掩码聚合成语义关键点，并使用这些来监督满足胶囊不变性 / 等变性属性的分解，从而使训练具有语义一致的分解，同时还可以学习一种使对象集中化推理的标准化操作。通过自监督学习对象集中的表示，我们的方法在 3D 点云重建，规范化和无监督分类方面优于最先进的方法。

    Dec, 2020

  • 基于扩散驱动的自监督学习用于形状重建和姿态估计

    我们引入了一种扩散驱动的自监督网络，用于多目标形状重建和分类姿态估计，并且仅利用形状先验信息，通过点卷积层和图卷积层来捕捉姿态特征和形状信息，通过预训练和精炼的自监督训练范式训练我们的网络。实验证明，我们的方法明显优于最先进的自监督分类级别基准，并且甚至超过一些全监督实例级别和分类级别方法。

    Mar, 2024

  • 通过自监督的球形 CNN 学习定向表面

    本文提出了一种基于 Spherical CNNs 的自我监督训练的方法，能够学习并识别 3D 形状的标准方向，该方法被称为 Compass，并在多个公共数据集上实验，证明了其有效性。

    Nov, 2020

  • 基于拓扑感知的变形场单视图三维重建

    无需对齐的图像集合，基于拓扑意识的隐式形变场的学习、随后进行形状重构，该方法名为 TARS，在多个数据集中均取得了最先进的重构精度 (ShapeNet, Pascal3D+, CUB, and Pix3D chairs)。

    May, 2022

  • MAPConNet: 自监督的网格与点对比学习三维姿势转移

    本研究提出了一种新的自我监督框架，用于三维姿势传输，并利用潜空间中的对比学习约束，实现无监督，半监督和全监督设置下的对比度学习。实验结果表明，我们的方法在受监督的 3D 姿势转移方面取得了最先进的结果，在无监督和半监督设置中取得了可比较的结果。

    Apr, 2023

  • 利用自监督形状与姿态网络从图像集合转换为点云

    提出了一种深度学习技术，用于从单个图像进行三维物体重建。与以往的方法不同的是，该方法使用只有单一视角的图像进行训练，并具有自我监督学习能力，可实现与使用更多监督信息的方法相媲美的性能。该方法还可以进行测试时间优化。

    May, 2020

  • 可微分点云的无监督形状和姿态学习

    该研究使用卷积神经网络训练能够从单个图像预测出物体的 3D 形状和相机姿态的模型，并通过一组 pose 预测器进行姿势模糊处理，并利用可微分 3D 点云投影技术来获取高保真度的形状模型。

    Oct, 2018