Jan, 2022

ShapeFormer：基于Transformer和稀疏表示的形状补全

HTML
PDF
TL;DRShapeFormer是一个基于transformer的网络，它可以在给定不完整和可能带有噪声的点云的情况下生成物体完成的分布，通过采样分布，可以生成类似于输入的可能完成物体，我们引入了一种紧凑的3D表示方法——向量量化深度隐式函数，它利用空间稀疏性将3D形状的近似表示成短序列的离散变量，实验表明，ShapeFormer在处理不完整的输入情况下的物体形状补全问题上性能优于先前的方法。同时，我们还展示了我们的方法可以有效处理各种不同形状类型，不完整的输入模式和真实世界的扫描数据。
发现论文，激发创造
  • 使用3D编码器-预测器CNN和形状合成进行形状补全

    本篇论文提出一种数据驱动的方法，结合使用体积深度神经网络和3D形状合成来完成部分扫描的3D形状。该方法使用3D卷积层来对填充缺失数据进行预测，旨在在未知区域精确地预测全局结构，并使用来自形状数据库的3D几何图形进行中间结果的相关处理。最后，通过基于补丁的3D形状合成方法，根据3D-EPN获取的全局网格结构作为约束，生成高分辨率的输出，重建精细的细节。

    Dec, 2016

  • 基于图卷积自编码器的可变形形状补全

    本论文提出一种新的深度学习方法，利用可变自编码器和图形卷积运算来实现对非刚性变形物体进行局部补全，对合成和真实扫描的人体和面部网格进行了实验，显示出有前途的结果。

    Dec, 2017

  • 弱监督下的三维形状补全学习

    本文提出了一种弱监督学习的三维形状补全方法，旨在解决从稀疏噪声点云进行三维形状补全的问题。与现有的数据驱动方法和基于学习的方法相比，该方法既不需要昂贵的优化步骤，也不需要直接监督，通过使用深度神经网络来学习最大似然拟合，具有高效和准确的形状补全能力。在来自ShapeNet、ModelNet、KITTI和Kinect的综合基准测试中，该方法能够与最近的完全监督基线相竞争，并且优于数据驱动方法，同时需要更少的监督并具有显着的速度优势。

    May, 2018

  • 使用潜在优化的点云高保真语义形状补全

    通过基于学习的方法，利用生成建模和潜在流形优化来完成不完整的三维形状，我们的算法直接处理点云数据，成功地重建了在没有依赖基于示例数据库的检索的情况下大缺失区域的点云。

    Jul, 2018

  • 学习形状先验用于单视图3D补全和重建

    本文提出ShapeHD，将深度生成模型与马赛克技术相结合，解决了单视角3D形状补全和重建的两个层面的问题，并在多个真实数据集上取得了比现有技术领先很多的表现。

    Sep, 2018

  • 概率隐式场景补全

    该研究提出了一种面向大规模3D场景连续几何的概率形状完成方法，该方法利用生成细胞自动机学习多模态分布，通过稀疏体素嵌入渐进式生成连续形状，其训练目标最大化完整形状分布的变分下限，并通过实验证明了相比于确定性模型，该方法在几何完成方面的表现更佳。

    Apr, 2022

  • VoxFormer：基于摄像机的稀疏体素变换器用于三维语义场景完成

    本论文提出了一种基于Transformer的场景语义补全框架VoxFormer，可以从2D图像中输出完整的3D体素语义，并在测试中获得了相对20%的几何和18.1%的语义方面的提升。

    Feb, 2023

  • DiffComplete：基于扩散的生成式三维形状补全

    提出了一种新的基于扩散的形状完成方法，将形状完成作为一种基于条件的生成任务，并通过分层特征聚合机制和包含性感知融合策略来实现形状完成，从而在形状完成方面取得了最新的技术成果。

    Jun, 2023

  • 未见类别上的3D形状完成：一种弱监督方法

    通过构建先验库和分析输入和先验之间的相关性，本文提出了一种弱监督框架来从未见过的类别中重建完整的3D形状，并通过自监督形状细化模型进一步改进了粗糙形状，实验证明我们的方法明显优于现有方法。

    Jan, 2024

  • 测试时训练的3D形状补全

    本研究解决了形状补全的问题，即通过预测缺失部分来恢复不完整的形状。我们提出了一种新方法，将预测的破裂部分与新恢复部分分开，同时确保两者之间的联系。我们发现该方法在八种不同形状类别的补全效果显著优于以往研究，尤其是在减少破裂边界附近的伪影方面。

    Oct, 2024