通过神经网络引导的 RANSAC 估计器拟合基本几何体,提供更有意义的场景抽象并减少推理时间,成功地将拥挤的真实世界三维场景布局抽象化。
Mar, 2024
本文介绍了一种用于零样本点云语义分割的新型框架,该框架利用了几何基元以在训练期间进行类别之间的知识转移,并使用未知感知信息熵来校准视觉与语义表示。通过大量实验,该方法在 S3DIS、ScanNet 和 SemanticKITTI 数据集上的 hIoU 指标得到了显著提升。
Oct, 2022
本文提出了一种无监督形状抽象方法,将点云转换为紧凑的长方体表示,并以分割和长方体形状的联合预测为抽象任务,以自学习的方式加强分割和形状抽象之间的一致性,该方法不需要手动注释点云中的零件。本文通过几种形状集的评估,证明了该方法优于现有的形状抽象方法,支持结构形状生成、形状插值和结构形状聚类等各种应用。
Jun, 2021
本文提出了一种基于分解的生成模型,通过引入无监督的原始发现算法和基于高阶条件随机场模型的生成模型,可以从粗到细先后进行三维形状的生成,从而实现了对新形状生成表示能力的提高和更好的样本质量。
Jun, 2019
提出一种利用三维成体基元组装物品的学习框架,可以生成简单且几何可解释的三维物品解释,利用该方法可以获得形状表征形式、构建可解释的形状相似性测量,以及进行基于图像的预测和形状操作。
Dec, 2016
本论文中,我们提出了基于约束隐式代数曲面和深度神经网络的方法,以实现对高复杂度 3D 形状的更准确重建和分割,相较于现有单 RGB 图像 3D 形状重建技术,该方法表现出更强的表现力和性能,可无监督地进行学习。
Aug, 2021
该论文提出了 Marching-Primitives 方法,通过分析体素的连接性,以及在不同的有符号距离级别上行进,在概率意义下从体素范围上生长几何基元(例如超椭球),并同时解决基元参数问题,以捕捉基本局部几何信息。研究人员在合成数据集和真实世界数据集上评估该方法,结果表明该方法在准确性方面优于现有技术,可在不同类别和尺度之间直接泛化。
Mar, 2023
本研究提出一种无分割、自动、高效的检测点云中通用几何二次曲面形式的程序,并使用闭合的三维二次形式适配和本地空间投票策略来降低计算复杂度,在合成和实际数据集上证实了方法的有效性。
Mar, 2018
本文提出了一种新的 3D 生成建模框架,使用 2D 卷积运算从多个视角预测 3D 结构,并联合应用几何推理和 2D 投影优化来高效地生成以密集点云形式呈现的物体形状,并引入伪渲染器来合成优化的新深度图,在单张图像 3D 对象重建任务中表现了优越的形状相似性和预测密度。
Jun, 2017
本文提出一种神经网络模型(Supervised Primitive Fitting Network),此模型可以不需要用户干预就能够探测并鲁棒地拟合不同尺度和数量的几何体。相比于已有的 RANSAC-based 方法,该模型在测试中表现更好。
Nov, 2018