CVPRApr, 2022

GIFS: 用神经隐式函数进行通用形状表示

PDF
TL;DR本文提出了一种名为 GIFS 的新方法，通过模拟点之间的关系而不是点和表面之间的关系，以表示包括非水密形状和多层表面形状在内的一般形状，实验结果表明，在重建质量、渲染效率和视觉保真度方面，GIFS 的性能优于之前的最先进方法。
neural implicit function3d shape reconstructionnon-watertight shapesmulti-layer surfacesgeneral implicit function for 3d shape (gifs)
发现论文，激发创造
  • 神经 GIF: 用于穿着人物动画的神经广义隐式函数

    利用神经广义隐函数技术（Neural-GIF），通过学习解决了利用模板方法难以处理的服装模拟问题，在非刚性形状学习中，灵活地建立了可以学习服装及软组织的复杂非刚性变形，并且可以通过学习处理 3D 扫描数据，并用于多种不同的形状设置。

    Aug, 2021

  • 使用结构隐式函数学习形状模板

    该论文介绍了一种从数据中学习通用形状模板的方法，通过基于局部形状元素的组合来选择隐式表面表示，可以适应各种几何和拓扑变化，而结构化的隐式函数适合学习，并允许网络平滑地同时拟合多类形状，该学习形状模板支持从 RGB 图像中进行形状探索，对应、抽象、插值和语义分割等应用。

    Apr, 2019

  • 三维等变图形隐式函数

    本文提出了一种新型的图形隐式函数族，其具有等变层，可用于捕捉 3D 几何细节并保证对各种几何变换的鲁棒性，该方法在 ShapeNet 重建任务上比现有的旋转等变隐式函数从 0.69 提高到 0.89 (IoU)，并且可以推广到其他类型的相似变换，并且具有良好的泛化能力。

    Mar, 2022

  • 局部深度隐式函数用于三维形状

    本文介绍了一种将三维表面图像表示成局部深度隐式函数并进行不同模型之间的泛化、空间分解等相关工作，并在实验中证明了该算法在表面重建和深度图像完成方面的效果优于现有算法。

    Dec, 2019

  • MetaSDF: 元学习符号距离函数

    该论文讨论了神经隐式形状表示的基本概念，比传统的离散表示具有更好的记忆效率和更高的空间分辨率，并提出了一种基于梯度的元学习算法以提高形状空间的泛化能力，从而实现从部分或噪声观测数据中进行的几何重建。该方法在测试时间推断上比自动编码器的方法快一个数量级，同时超过基于编码器 - 解码器的池化网络集合编码器方法。

    Jun, 2020

  • 3DIAS：使用隐式代数曲面进行三维形状重建

    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

  • 关于使用权重编码的神经式隐式三维形状的有效性研究

    本研究证明了权重编码神经隐式方法可以作为第一类三维形状表示，并且通过引入一系列技术贡献来提高重建准确性、收敛性和鲁棒性，而且相比于之前的神经隐式方法，具有更好的鲁棒性，可扩展性和性能表现。

    Sep, 2020

  • 深度元函式在形状表达中的应用

    该研究提出了一种新的方法，使用深度神经网络直接将图像映射到网络权重的向量，以实现从单个图像进行 3D 形状重构，该新的表示具有无限的容量和分辨率，并且可以具有任意的拓扑结构。实验结果表明，相比于体素、轮廓线和网格等现有方法，该方法能够更准确地推断 2D 投影的形状。

    Aug, 2019

  • 生成形状模型的隐式场学习

    本文提出了一种基于隐式场的解码器 IM-NET 来提高生成形状的视觉效果， 通过替换传统解码器，通过 IM-AE 进行表示学习和 IM-GAN 进行形状生成，可以在概念建模、插值和单角度 3D 重建等任务中获得更优秀的结果。

    Dec, 2018

  • 鬼于外壳：一种对一般三维形状进行表达的富有表现力的方式

    创建逼真的虚拟世界需要对广泛对象的三维表面几何进行准确建模，我们提出了一种名为 G-Shell 的新表示方法，通过定义一个流形符号距离场在完全密封的模板上对开放表面进行参数化，实现了多视图图像重建和非完全密封网格的生成建模。

    Oct, 2023