CVPRMar, 2022

神经部分先验：学习优化基于部分的 RGB-D 扫描物体完成

PDF
TL;DR提出了利用大规模合成数据集和神经部件先验（NPP）来学习 3D 物体的几何部件先验，该方法能够在测试时对现实世界的扫描 3D 场景进行鲁棒的部件分解，同时适应观察到的真实几何形状，并在由相似几何对象组成的场景中实现全局优化。在 ScanNet 数据集的实验中，NPP 在实际场景中的部件分解和对象完成方面明显优于现有技术。
3d object recognitionpart reasoningneural part priorssynthetic datasetsscannet dataset
发现论文，激发创造
  • 从图像集合中发现三维部件

    本文提出了一种自我监督的方法（LPD）来发现只有 2D 图像的物体的三维部件，并使用新的部件形状先验学习足够简单而又能忠实地匹配物体形状的部件，这种方法在实验中表现良好，比现有方法具有更好的重构精度。

    Jul, 2021

  • 从单个 RGB 图像学习无监督 3D 物体的分层部件分解

    该研究提出了一种新的方法，可以同时恢复 3D 对象的几何形状和基于部分的分解，以及它们之间的潜在层次结构，实验证明考虑部分的组织确实有助于推理三维几何。

    Apr, 2020

  • PartNet：大规模精细和分层 3D 对象部件理解基准测试

    本文介绍 PartNet 数据集，该数据集是一个一致的、大规模的、带有精细的、实例级别的和分层的 3D 部分信息的 3D 对象的注释数据集。我们提出了三种评估 3D 部分识别的挑战，包括细粒度语义分割、分层语义分割和实例分割，并基于该数据集进行了实验，结果表明其优越性能。

    Dec, 2018

  • 特征对齐下的无监督部件发现

    本文提出利用无监督学习的方法发现物体的不同部位，通过神经网络构建特征并实现物体识别和部位检测。

    Dec, 2020

  • 解耦 3D 原型网络以进行少样本概念学习

    本研究提出了一种神经网络架构，将 RGB-D 图像分离为物体的形状和样式以及背景场景的地图，并探索了它们在少样本三维物体检测和少样本概念分类的应用。

    Nov, 2020

  • 神经元件：使用可逆神经网络学习表达性三维形状抽象

    本研究介绍了一种新的三维基元表示方法 Neural Parts，该方法使用可逆神经网络定义基元，并通过学习将三维对象解析为语义一致的部件排列，有效地抽象了三维形状并实现了精确的重建。

    Mar, 2021

  • Pri3D：3D 先验能够帮助 2D 表征学习吗？

    探讨了利用几何约束来学习视角不变、几何感知表达，通过对 RGB-D 数据进行对比度学习，实现从 3D 先验信息到 2D 表达的迁移，并在语义分割、实例分割、室内物体检测中实现了显著提升。

    Apr, 2021

  • 基于 RGB-D 数据的三维物体检测的台阶式点云网络

    本文探讨了利用深度学习在 3D 物体检测中，针对使用 RGB-D 数据在室内和室外场景下进行点云识别所面临的挑战以及如何提高效率。通过利用成熟的 2D 物体检测器和先进的 3D 深度学习来提高区域建议与对象本地化的精度，以取得高回收甚至小目标检测的良好性能。在 KITTI 和 SUN RGB-D 3D 检测基准上进行了评估，相比现有技术取得了显著的大幅度升级，并具有实时性能。

    Nov, 2017

  • SG-NN: 面向自监督 RGB-D 扫描场景补全的稀疏生成神经网络

    提出一种利用自监督的方法，将部分和嘈杂的 RGB-D 扫描转换为高质量的 3D 场景重建，从而实现预测未观测到的场景几何形状，并通过新的 3D 稀疏生成神经网络架构来生成高分辨率的 3D 场景表面并提高重建质量。

    Nov, 2019

  • 深度卷积神经网络中的零件检测器发现

    本文提出了一种基于预训练卷积神经网络的物体部位发现和定位方法 PDD，通过分析网络输出的梯度映射并找到与语义部分或边界框有空间关系的激活中心，实现对 CUB200-2011 数据集进行优秀的监测和分类性能，同时不需要在测试期间给定边界框或计算真假部分。

    Nov, 2014