ECCVApr, 2022

一种用于显式流形下神经隐式演化的水平集理论

PDF
TL;DR该论文提出了一种基于神经网络的隐式表面的参数化方法，利用能量最小化问题和水平集理论，实现对隐式表面的形变和后处理操作，这种方法优于已有方法在表面平滑、均值曲率流等方面的表现。
neural networksimplicit surfacesdeformation operationslevel-set theorysurface smoothing
发现论文，激发创造
  • 深度级集：用于三维形状推断的隐式表面表示

    通过引入一种变分形状推理方法以及一种新的几何损失函数，我们提出了一种端到端的可训练模型，可以直接预测任意拓扑的隐式表面表示，并演示了该模型在 3D 表面预测任务中的准确性和灵活性。

    Jan, 2019

  • 学习形状的隐式几何规则化

    本文提出了一种从原始数据（即点云）中直接计算高保真度隐式神经表示的新范式，它鼓励神经网络在输入点云上消失并具有单位范数梯度的简单损失函数具有几何正则化特性，利用神经网络表示任务的表面形状的零水平集，避免不良零损失解，实验表明该方法与之前的方法相比具有更高的细节和保真度。

    Feb, 2020

  • 控制神经水平集

    本文提出了一种简单而可扩展的方法，可以直接控制深度神经网络的级集，并在三个不同的学习任务中进行了测试：提高对未见数据的泛化能力、训练对抗攻击的网络、曲线和曲面重建。

    May, 2019

  • 反问题的参数水平集方法

    本文考虑了用参数化的水平集方法重建普遍反问题中的障碍物，提出了适当形式的参数化水平集函数结果降低了问题的维度，提供了使用牛顿和拟牛顿方法进行计算的简便方法，其性能在三个反问题示例中进行了检验。

    Jul, 2010

  • 凸优化的水平集方法

    本文介绍了一种交换目标函数和约束函数，通过解决参数级集问题，利用不精确的函数评估和可能不精确的导数信息的零点查找过程来有效解决原始问题。该方法适用于广泛的问题，包括低秩半定优化、稀疏优化和推断的广义线性模型。

    Feb, 2016

  • 将显式和隐式表面表示耦合用于生成式 3D 模型

    本论文提出了一种新的神经体系结构来表示 3D 表面，通过引入一些创新的一致性损失来保证两个形状表示方式的协同处理，这种混合架构能够比单一表示网络产生更优的结果。

    Jul, 2020

  • Level-S$^2$fM: 基于神经隐式面积边界的运动结构恢复

    本文提出了一种神经增量结构运动（SfM）方法 Level-S $ ^ 2 $ fM，通过从建立的关键点对应关系中学习坐标 MLPs 来估计相机姿态和场景几何。

    Nov, 2022

  • 显式神经表面：利用形变场学习连续几何

    本篇研究提出了一种名为 ENS 的表面重构方法，使用一系列神经形变场逐步将连续输入表面转换到目标形状，通过 Laplace-Beltrami 本征函数和标准外部傅里叶特征进行表征，具有实时性能和高质量的网格抽取能力。

    Jun, 2023

  • 相变、距离函数和隐式神经表示

    该论文提出了一种新的损失函数用于训练无障碍神经表达模型，该方法受到流体相变理论的启发，并可以生成稠密函数以逼近真实的占用函数和距离函数，并可用于表面重建。

    Jun, 2021

  • 将水平集重新构造为深度循环神经网络方法以进行语义分割

    本论文提出了一种新的轮廓演化定义，称为 Recurrent Level Set (RLS)，通过 Gated Recurrent Unit 在变分 LS 函数的能量最小化下进行，以弥补经典变分 LS 方法在处理多实例对象和迭代次数影响等方面的局限性，并将其扩展为 Contextual RLS (CRLS) 以解决野外语义分割问题分。实验结果表明，与经典的变分 LS 方法相比，我们提出的 RLS 方法能提高计算时间和分割精度，而完全端到端系统 CRLS 与当前最先进的语义分割方法的性能相当。

    Apr, 2017