AutoSDF: 用于 3D 完善、重建和生成的形状先验
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
通过扩展自回归模型到三维领域并改进其容量和可扩展性,本文提出了一种名为 Argus3D 的新框架,利用离散表示学习基于潜在向量的三维形状生成,大大降低计算成本并保留几何细节,同时通过简单地连接各种条件输入来实现条件生成能力。经过广泛实验验证,Argus3D 在多个类别上能够合成多样化和真实的三维形状,并取得了显著的性能提升。
Feb, 2024
该研究提出了一种新的 3D 建模和重建学习框架,通过连接基于学习和基于优化的方法的优点并优化学习的先验和潜在编码,提高了深度生成器的广义性。实验结果显示,该方法在处理高度稀疏或坍塌的观测数据方面比现有方法都有优势。
Dec, 2020
本文提出了一种自动标注管道,通过考虑学习的形状先验知识和优化几何和物理参数,从预训练的二维检测器和稀疏 LIDAR 数据中恢复 9D cuboids 和 3D 形状。我们使用可微分形状渲染器到符号距离场(SDF),结合归一化对象坐标空间(NOCS)来解决这个具有挑战性的问题,同时还提出了一个循序渐进的学习策略,在自我改进的注释回合中,逐步训练难度不断增加的样本,KTIT3D 数据集上的实验表明,我们可以恢复大量准确的立方体,并且这些自动标注可以用于训练带有最新结果的三维车辆检测器。
Nov, 2019
使用三维形状和运动先验来规范车辆的轨迹和形状,并通过在序列立体图像中施加共同的形状和运动模型,从而实现对车辆的姿态和形状的推断,得到了在 KITTI 数据集上的最新成果。
May, 2020
该论文提出了一种新的框架,用于简化业余用户的 3D 资产生成。这种方法支持多种输入模态,并能够对每个输入的强度进行调整,从而允许用户同时使用不完整的形状、图像和文字描述来生成形状,并提供每个输入的相对权重和互动性。
Dec, 2022
本文提出了一种在线优化的网络结构,通过避免依赖于深层神经网络的初始化,使用了概率形状先验指导深层特征以及图像线索,实现了从单个图像中重建三维形状,且相较于现有最先进方法,得到了可比较的结果。
Nov, 2018
提出一种半监督三维重建框架 SSP3D,引入基于注意力引导的原型形状先验模块、鉴别器引导模块和正则化器来实现更好的形状生成,在 ShapeNet 基准测试中,在不同标注率下,性能均明显优越,并且对于少量有标注数据的新类别也能够取得很好的成果。
Sep, 2022
本篇论文提出了一个通用的 3D 形状模型生成模型,采用向量量化变分自编码器、离散扩散生成器和多频率融合模块等技术,实现了高保真度、多样性以及跨模态对齐等功能,能够应用在点云补全和多种 3D 形状生成任务中,实验证明其在各种任务中都表现出较高的性能。
Mar, 2023
通过神经对象表示学习对象形状分布并将其映射到潜在空间,我们利用不确定性感知编码器直接从单个输入图像生成具有不确定性的潜在代码以模拟 3D 物体重建领域中的不确定性,并在贝叶斯框架下提出增量融合方法来融合多视角观测的潜在编码,从而提高 3D 对象重建的准确性。
Jun, 2023