3DILG:用于三维生成建模的非规则潜在格
本文提出了一种新的三维形状表示 —— 本地隐式网格表征,它适用于大型、多样化的室内场景,利用 autoencoder 学习局部数据的嵌入,再使用解码器实现形状优化,提高了基于稀疏点观测的三维表面重建结果。
Mar, 2020
本文提出了一种无监督的方法来将三维点云的变分自编码器的潜空间进行划分,结果展现出直观可解释的行为,在姿态转换和姿态感知形状检索等任务上表现出色,为人工智能中 3D 形状表示问题提供重要思路。
Aug, 2019
本文提出了一种新颖的潜在的 3D 扩散模型来生成神经体素场,旨在实现准确的部件感知结构。通过对现有方法的比较,我们采用了两个关键设计来确保高质量和准确的部件感知生成。一方面,我们引入了潜在的 3D 扩散过程来生成神经体素场,使其能够以显著更高的分辨率生成富有纹理和几何细节。另一方面,我们引入了部件感知的形状解码器,将部件代码整合到神经体素场中,引导准确的部件分解并产生高质量的渲染结果。通过广泛实验和与现有最先进方法的比较,我们对我们的方法在四种不同类别的数据上进行了评估。结果表明,我们提出的方法在部件感知形状生成方面具有优秀的生成能力,优于现有最先进方法。
May, 2024
通过在二维或三维网格上直接进行 Taylor 展开优化,提出了一种名为 TaylorGrid 的新型隐式场表示,旨在实现快速高质量的隐式场学习,并可以适用于 SDF 学习或 NeRF 等不同的隐式场学习任务。通过广泛的定量和定性比较,TaylorGrid 在快速高质量的隐式场学习方面展现出了线性网格和神经体素的优势。
Feb, 2024
利用邻域多分辨率格点的特征编码法在学习基于隐式场景表示中发挥了重要作用,然而先前的技术没有明确地利用大多数物体或场景的表面法线和局部平滑性特征。本文提出了第一个明确地利用了这些三维特征的三维几何编码器,通过使用新颖的圆柱体积插值来建模局部平面不变性。此外,我们明确地结合了局部特征聚合来对圆柱体插值特征进行正则化和平滑处理。我们在 ABC、Thingi10k、ShapeNet 和 Matterport3D 上评估了我们的方法,用于对象和场景表示。与使用常规格点的方法相比,我们的几何编码器显示出更快的收敛速度,并获得更清晰的三维表面。与先前的技术相比,我们的方法取得了最先进的结果。
Feb, 2024
提出了一种名为 NeuralField-LDM 的生成模型,它能够合成复杂的 3D 环境,并取得了比目前现有模型更显著的进步。该模型使用自动编码器训练场景图片,通过特征体素格点表示神经场,并进一步利用潜在自动编码器压缩、映射体素格点至潜在空间,并采用分层扩散模型完成 3D 场景生成管线。此外,展示了如何应用 NeuralField-LDM 在条件场景生成、场景修复和场景风格变化等 3D 内容创作应用领域。
Apr, 2023
通过在正规网格特征和离散点特征之间引入高效的点 - 网格变换机制,以及采用边界优化策略,本文提出的方法有效地提升了三维表面重建的精度和准确性。
Jan, 2024
本文提出了一种基于神经隐式模型的 3D 物体重建方法,通过深度编码器作为初始形状潜码的鲁棒优化器,利用规则化测试时间优化潜码,深度鉴别器作为高维形状先验,并使用新颖的课程学习策略,从而更好地捕捉全局细节,在模糊的基准数据集上表现出色,展示了在真实世界数据上超越现有技术的优越性。
Jan, 2021