CVPRApr, 2022

基于学习预测上下文先验的点云表面重建

PDF
TL;DR本文介绍一种利用神经网络编码局部上下文先验 (surface reconstruction from point clouds) 的方法。具体来说，我们先为大规模点云训练局部上下文先验，然后通过学习预测查询来为每个特定的点云定制先验，从而实现针对不同点云的全局重构。实验结果表明，该方法在单个形状或复杂场景的表面重建方面显著优于现有技术。
发现论文，激发创造
  • 利用表面先验重建稀疏点云的表面

    通过在表面上使用先验信息，使用神经网络从稀疏的 3D 点云中精确地重建表面，方法无需事先获取签名距离或点法向量，实现了最优的重建精度。

    Apr, 2022

  • 基于网格交叉预测的点云表面重建

    通过直接预测采样的点对之间线段与隐式表面的交点，本文提出了一种新的方法，既能够有效地表示开放表面，又能够消除网格中的伪影。在 ShapeNet、MGN 和 ScanNet 三个数据集上，我们的方法展示了最先进的性能。

    Mar, 2024

  • 深度几何先验用于表面重建

    使用深度神经网络作为几何先验来实现基于点云的离散曲面重建，无需训练数据或显式正则化，实验表明该几何先验可用于处理包含尖锐特征和平滑有机物体的三维数据。

    Nov, 2018

  • 从单个稀疏点云中无监督地推导符号距离函数，无需学习先验知识

    本文提出了一种基于神经网络的方法，可以直接从单个稀疏点云中推断有符号距离函数（SDF），构建了表面参数化和 SDF 推断的端到端方法，通过利用参数化表面作为粗略表面采样器，以统计方式推断 SDF，并在合成数据集和真实扫描下的稀疏点云表面重构方面显著提高了我们对现有技术的优势。

    Mar, 2023

  • PR-NeuS：一种基于先验的残差学习范例，用于快速多视角神经表面重建

    通过引入基于先验的残差学习范式以及哈希编码网络，提出了一种快速多视角神经表面重建方法，实验结果表明仅需约 3 分钟即可重建单个场景的表面，同时保持了竞争性的表面质量。

    Dec, 2023

  • NeuSurf：基于表面先验的稀疏输入视图下的神经表面重建

    利用表面先验信息实现稀疏视角下高保真度的重构，通过全局几何对齐和本地几何细化，优化粗糙形状和细节，实现的稀疏视角重构框架在稀疏视图下得到了显著提升。

    Dec, 2023

  • 点云的拓扑感知表面重建

    本文提出了一种基于拓扑先验的表面重建方法，该方法利用基函数来优化点云拟合，并通过持久图捕获拓扑约束，以实现去除拓扑噪声和捕获底层形状的特定属性。作者展示了在多种可能的拓扑情况下的表面重建结果，并将其与其他传统表面构建技术进行了比较。

    Nov, 2018

  • 从原始点云逐步学习具有一致性感知的无符号距离函数

    本研究提出了一种从原始点云直接学习一致性感知无符号距离函数的新方法，以进行表面重建，同时引入了多边形化算法以直接从学习的 UDF 的梯度场中提取表面。实验结果表明，在合成和真实扫描数据的表面重建方面，该方法在广泛使用的基准测试中明显优于现有技术。

    Oct, 2022

  • 神经拉力：学习从点云中学习符号距离函数并学习将空间拉到表面上

    本文介绍了一种新的方法 Neural-Pull，利用神经网络简单且高质量地学习表面的符号距离函数，通过网络本身计算的符号距离值和查询位置的梯度来训练神经网络。在广泛使用的基准测试下，我们的结果优于现有最先进的方法，展示了对表面重建和单张图像重建可以更准确和灵活地学习符号距离函数。

    Nov, 2020

  • Points2Surf: 从点云块中学习隐式曲面

    本研究提出了 Points2Surf 算法，一种基于深度学习框架的局部深度信息和整体粗略信息相结合的面重建方法，显著提高了模型泛化能力和重建精度。实验证明，与其他方法相比较，Points2Surf 算法能够在新的形状上实现高质量的重建，并能使重建误差降低 30% 以上。

    Jul, 2020