神经双等高线
基于学习的等值面提取方法是一种强大且高效的替代公理技术的新兴方法。然而,绝大多数这类方法依赖于带有公理计算出的真值标签的监督训练,因此会潜在地继承相应公理方法的偏见和数据伪现象。为了避免这种依赖性,我们提出了一种针对神经双轮廓网格化框架的自监督训练方案,即自监督双轮廓(SDC)。我们使用两种全新的自监督损失函数,而非通过监督训练优化预测的网格顶点,以鼓励生成的网格与距离的一阶一致性。SDC 重建的网格在捕捉细节方面优于现有的数据驱动方法,同时对输入的可能不规则性更具鲁棒性。此外,我们使用相同的自监督训练目标连接推断网格和输入 SDF,以规范 Deep Implicit Networks(DINs)的训练过程。我们证明由此得到的 DINs 生成更高质量的隐式函数,最终相比先前的基准方法更准确且保留了更多细节的曲面。最后,我们证明我们的自监督损失通过实现预测 SDF 和生成输出网格的联合训练,提高了单视角重建任务的网格化性能。我们以此 https URL 开源我们的代码。
May, 2024
本文提出了一种基于深度学习的 Neural Marching Cubes 方法,利用紧凑的每个立方体参数化来表示输出三角网格,并且是与神经处理兼容的,通过从训练网格中学习顶点位置和网格拓扑形状,以考虑周围立方体的上下文信息,从而更准确地重构几何特征和局部网格拓扑。
Jun, 2021
本研究提出了一种基于表面法向量表示的深度无监督学习方法,通过构建深卷积网络层次结构,融入了边缘感知、光度误差和梯度平滑等前沿技术,从而实现单幅图像深度重建过程中的多种挑战,包括深度 / 法向量不连续和图像边缘保留等问题。在实验中,我们应用 KITTI 和 NYUv2 的室内外数据集来验证我们的算法的高效性和优越性。
Nov, 2017
提出了 DualConvMesh-Nets (DCM-Net) 模型,它是一种基于 3D 几何数据的深层分层卷积神经网络,结合了两种卷积类型:测地线卷积和欧几里得卷积,并且还采用了几何处理领域中的网格简化方法来定义网格池化和反池化运算。实验结果表明,我们提出的模型在 3D 语义分割任务上取得了显著的性能提升并在三个场景分割基准测试中获得了竞争性的结果。
Apr, 2020
本文提出了一种通过从单个深度图中回归网格模型顶点坐标来恢复手部密集 3D 表面的方法,使用两阶段 2D 完全卷积网络架构和可微分算子来实现,能够通过自我监督实现更好的效果,表现优异。
Jul, 2019
该研究提出了一种利用建筑物的几何特性来提高自动化建筑物分割模型准确性的方法,结合了主动轮廓模型和卷积神经网络,形成了一种可以端到端训练的结构化输出模型,达到了比现有技术更好的分割效果。
Mar, 2018
通过将网格生成相关的微分方程嵌入神经网络的损失函数中,我们提出了一种新的方法,3DMeshNet,用于三维结构化网格的生成。该方法以几何点为输入,学习参数化和计算域之间的潜在映射,并通过前向神经预测高效地输出具有用户定义的四边形 / 六面体单元数的三维结构化网格。实验表明,3DMeshNet 稳健且快速,并且与传统的网格划分方法相比,产生优越的网格,并且相对于其他基于神经网络的方法减少了高达 85% 的训练时间,将网格生成开销降低了 4 至 8 倍。
May, 2024
本文提出了一种新的 3D 表示方法,神经向量场(NVF),该方法充分利用了显式学习过程和隐式函数表示的强大表示能力,通过从查询向表面预测位移并使用矢量场对形状进行建模来打破分辨率和拓扑中的障碍,进而提出了一个基于矢量量化的形状代码本学习方法,最终实现了在不同的评价场景下优于最先进方法的结果,包括完整及非完整形状的构建、类别特定和类别不可知构建、类别未知构建和跨域构建。
Mar, 2023
该论文提出了一种结合深度、基于 patch 的表示和主动轮廓框架进行交互式边界提取的方法。作者使用了类别特定的卷积神经网络来训练向量预测器,以便指向感兴趣物体边界最接近的点,并使用 Sobolev 主动轮廓框架来演化轮廓。该方法在计算资源的使用方面非常高效,适合小型图形卡的使用,并在多个医学数据集和 PASCAL VOC 2012 数据集上进行了评估。
Jul, 2016
本文提出了一种将图形神经网络的原始 - 对偶框架扩展到三角网格上的方法,使用动态聚合机制对 3D 网格的边缘和面特征进行聚合分析,并引入一种准确的几何解释来处理网格连接的变化,并在形状分类和形状分割任务中获得与最先进技术相当或更优的性能。
Oct, 2020