点云的表面表示
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
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
本文提出了一种新的隐式表示方法,称为最接近的表面点(CSP)表示,用于表示具有任何拓扑结构的开放或封闭形状并计算本地几何属性,可以实现高保真度和有效实现外围算法,如球追踪来呈现三维表面和创建显式基于网格的表示,并在 ShapeNet 数据集上验证了超越最先进结果的贡献。
Jun, 2021
PPSurf 是一种结合了基于点卷积的全局先验和基于处理局部点云补丁的局部先验的方法,能够在恢复表面细节方面比当前最先进的方法更准确,同时对噪声具有鲁棒性。
Jan, 2024
本研究使用神经网络从多视图中学习生成高质量且兼具多视图一致性的 3D 参数曲面,同时保持准确的图像像素到 3D 表面点的对应关系,能够重建具有丰富几何和外观的纹理信息形状,并在公共数据集上获得优于先前工作的定量和定性结果。
Aug, 2020
本文提出了一种新的点云表示 Neural Points,并将其应用于任意分解上采样任务中。相较于传统的点云表示,每个点在 Neural Points 中通过神经场表示局部连续几何形状,因此 Neural Points 包含更多的形状信息并具有更强的表征能力。实验证明,Neural Points 在任意分辨率上对点云进行重新采样的表现优于最先进的点云上采样方法。
Dec, 2021
该研究提出了一种名为 Sur2f 的新的混合表示方法,采用隐式有符号距离场和显式替代表面 Sur2f 网格的并行流,通过共享的神经渲染器实现了隐式有符号距离函数的体积渲染和替代网格的表面渲染的一体化,同时在替代网格的形变中使用从隐式有符号距离场导出的函数进行同步,从而提高了重建质量和效率。
Jan, 2024
本文提出了一种名为 RepPoints 的方法,它采用一组样本点作为对象的更精细的表示,不需要使用锚点来采样边界框空间,并在检测任务中获得与目前最佳方法相同的效果。
Apr, 2019
提出了一种使用点云数据结构将网格数据转换为更高维度表示的方法,其中每个平滑部分表示特定的像素位置,通过在具有更高细节的区域密集采样所构建的高曲面上获得密集的点云,该方法在公开的脑瘤数据集上实现了显着的改进,可从原始图像中提取错综复杂的细节,开辟了先进的图像分析和处理任务的新可能性。
May, 2023