利用 4D 神经场揭示遮挡物
4D-Net 是一种使用 3D 点云和 RGB 感知信息,利用动态连接学习和几何约束来进行三维物体检测的方法。在 Waymo Open Dataset 上,相较于现有方法和强基线,其利用运动线索和密集图像信息更能成功检测到远处的物体。
Sep, 2021
本文提出了一个新颖的框架,利用基于扩散的 2D 修复模型,通过填补物体隐藏部分的 2D 图像来重建完整的表面,以及通过神经隐式表面表示优化每个实例的 3D 重建。实验结果表明,我们的方法在从 RGB-D 视频中进行物体级重建时达到了最先进的准确性和完整性。
Aug, 2023
本文提出一种新方法,通过引入 2D 遮挡澄清和物理接触约束,从而处理遮挡下的表面重建问题,该方法在测试集上表现优于现有方法,HO3D 效果提高了 52%,HOD 效果提高了 20%。
Dec, 2023
通过对场景信息和先前知识进行建模,我们提出了一种新的方法来从 RGB-D 图像中重建带有遮挡的 3D 人体,通过建模可能的姿势空间并使用深度数据约束可见身体部分,我们的方法在 PROX 数据集上的实验结果表明,与其他方法相比,能够产生更准确和合理的结果。
Oct, 2023
本研究提出了一种基于神经网络的场景表示方法,可以直接从 RGB-D 视频中学习物体级别的神经表示,并具有显式的对象运动编码和 / 或变形编码,该方法评估后表明具有高效性,可解释性和可编辑性。
Apr, 2023
利用深度学习,我们提出了一种基于时间的 6 自由度跟踪方法,可在具有挑战性的真实世界数据集中实现最先进的性能,具有比现有最佳方法更准确、更鲁棒的抗遮挡性能,同时保持实时性能。在评估其效力时,我们在几个具有挑战性的 RGBD 序列上进行了评估,并通过一系列对象逐渐被遮挡的序列系统地评估了对遮挡的鲁棒性。最后,我们的方法完全是数据驱动的,不需要任何手动设计的特征:鲁棒跟踪是自动从数据中学习的。
Mar, 2017
本文提出了一种新颖的基于领域自适应的方法,以增强点云数据的鲁棒性,成功地解决了 3D 目标检测中出现的挑战性任务并达到了最先进水平。
Jun, 2020
本文提出了一种名为 OcclusionFusion 的新方法,使用一种基于 LSTM 图神经网络的遮挡感知 3D 运动来指导实时重建,实验证明该方法的性能比现有的基于单视角的方法要好得多。
Mar, 2022
本研究中,我们利用深度卷积神经网络架构在 2D 图像和 3D 空间中定位语义部件并推断它们的可见性状态,其利用合成数据和模拟的遮挡情况训练网络,并表明了其在现实图像基准测试中具有最先进的性能和有效的迁移知识。
Dec, 2016
本篇论文介绍了一种基于深度学习和连续变换函数的方法进行 4D 形状重建,使用一个鲁棒的时空形状表征方法来视觉化地表达这些形状并通过动力学模型对其进行建模,实现了四维人体重建。
Mar, 2021