NeuForm:神经形状编辑的自适应过度拟合
本研究介绍了一种新的三维基元表示方法 Neural Parts,该方法使用可逆神经网络定义基元,并通过学习将三维对象解析为语义一致的部件排列,有效地抽象了三维形状并实现了精确的重建。
Mar, 2021
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
采用神经网络合成三维形状的方法中引入了基于部件表示的方法,在过去几年中已经出现。然而,当前方法不容易根据用户的偏好重新生成单个形状部件。本文研究了允许用户生成多个多样化部件建议的技术,特别是实验了先前的形状合成工作中未考虑的多模态深度生成模型。通过在基于部件表示的合成方法中评估这些技术,我们提供了一种比较研究。我们的贡献是定性和定量评估表明,哪种新的多模态部件生成技术表现最佳,并且基于表现最佳技术的合成方法在重构形状时可以更好地控制所生成的三维形状的部件,同时保持高形状保真度。
Jan, 2024
本研究提出了一种基于 Neural Radiance Field 的方法,利用显式网格表示与场景的隐式神经表示建立对应关系,使用户可以利用网格形变方法进行可控的形状变形,并合成编辑后的场景的新视角图像。
May, 2022
通过神经对象表示学习对象形状分布并将其映射到潜在空间,我们利用不确定性感知编码器直接从单个输入图像生成具有不确定性的潜在代码以模拟 3D 物体重建领域中的不确定性,并在贝叶斯框架下提出增量融合方法来融合多视角观测的潜在编码,从而提高 3D 对象重建的准确性。
Jun, 2023
通过神经网络将几何结构编码到权重和偏置中,通过映射网络重构对象,可在 7000 参数的情况下达到与百万参数状态下的最新型物体解码器架构同等甚至更高的精度。
Jul, 2019
本课题设计了 PartNeRF,这是一种新型的局部感知生成模型,能够不需要显式引导实现可编辑的三维模型合成,作为局部定义的 Nerf 集合生成对象,实现了许多编辑操作。
Mar, 2023
本研究介绍了一种利用概率形状先验的坐标神经表示方法,结合隐式可微渲染,通过两阶段优化过程,成功实现了多视角三维重建中几乎与 3D 可塑性模型方法、视角较多时的非参数方法相当的高保真度的少视角全三维头部重建。
Jul, 2021