CVPRMar, 2022

3D 感知图像形变：通过学习形状拉普拉斯实现弹出效果运动

PDF
TL;DR本文提出了一种基于监督学习的 3D 感知图像形变方法，使用预测形状 Laplacian 和用户定义的形变 handles 计算出有限的 biharmonic 权重来模拟合理的基于 handles 的图像形变。
3d-aware image deformationsupervised learning-based approachshape laplaciandeformation handlesbiharmonic weights
发现论文，激发创造
  • 使用拉普拉斯网格的基于模板的单目三维形状恢复

    通过扩展 Laplacian formalism，我们可以将单目 3D 形状重建转化为更好处理的问题，通过简单地解决线性最小二乘问题可以快速可靠地消除异常值。这使我们能够实时地降低表面重建问题的维度而不会损失准确性。

    Mar, 2015

  • 从 2D 图像学习动物的 3D 变形

    本文提出了一种基于用户标记图片和动物模板的体积变形框架，通过学习每个局部区域的硬度值，动态调整模板三维网格来实现动物变形与模拟，其优于未学习硬度值的方法，适用于高度可形变和关节灵活的动物模型。

    Jul, 2015

  • 从运动学习骨骼类目的单目三维重建

    使用视频自监督和模板形变技术来实现单目 3D 重建并且进行数值优化，以便使计算得出的模型更加准确和具有解释性。

    Mar, 2021

  • 学习自由形变，用于三维物体重建

    本文提出了一种基于自由形变（FFD）的学习方法，用于从单个图像中重建 3D 形状，实现了细节几何信息的精确编码，并在点云和体积度量方面取得了最先进的结果，同时展示了其在 3D 语义分割中的应用。

    Mar, 2018

  • 从图像集合学习类别特定的网格重建

    本文提出一种学习框架，可以从单个图像中恢复物体的 3D 形状、相机、和纹理，使用一个可变形的 3D 网格模型来表示形状，在不依赖于地面真值 3D 或多视图监督的情况下，利用注释的图像集进行训练并学习 3D 预测机制与可变形模型。作者还展示了可以轻松将语义关键点与预测的形状相关联，并在 CUB 和 PASCAL3D 数据集上展示了我们的方法的定性和定量结果。

    Mar, 2018

  • 运动模糊中物体的 3D 形状和运动估计

    本文提出一种联合估计高度运动模糊物体的 3D 运动、3D 形状和外观的方法，并通过基于链式法则求导的逆渲染技术实现快速运动物体的去模糊和三维重建。

    Nov, 2021

  • 基于拓扑感知的变形场单视图三维重建

    无需对齐的图像集合，基于拓扑意识的隐式形变场的学习、随后进行形状重构，该方法名为 TARS，在多个数据集中均取得了最先进的重构精度 (ShapeNet, Pascal3D+, CUB, and Pix3D chairs)。

    May, 2022

  • Pixel2Mesh++: 多视角下基于变形的 3D 网格生成

    使用图卷积网络从多角度图像中预测一系列形状变形，以进一步提高 3D 网格表征的形状质量，从而获得高精确度、高可靠性且具有普适性的 3D 模型。

    Aug, 2019

  • 3D 形状检索和变形的联合学习

    该研究提出了一种基于神经变形、形状检索和嵌入空间的联合学习方法来生产高质量的 3D 模型，该方法不仅能提高变形后的匹配精度，而且还能处理不一致和多样的结构形状。

    Jan, 2021

  • 单视角非刚性形状预测的几何感知网络

    提出了一种基于几何感知的深度学习方法，能够在没有预先注册表面模板的情况下，通过单一视角的输入图像，精确预测可变形表面的 3D 形状， 并采用合成数据集和真实基准数据集的实验证明其在 3D 形状预测上超越同类算法，且计算时间明显减少。

    Sep, 2018