AlignSDF: 姿态对齐的有符号距离场用于手 - 物体重建
本文利用手的结构作为 SDF 的引导,并预测姿势变换的运动链,对高关节手姿势对齐 SDF 进行了改进,最终在 ObMan 和 DexYCB 基准测试中取得了比现有技术更显著的改进。
Apr, 2023
通过使用签名距离场(SDF)引导手 - 物体姿态估计网络(HOISDF),将三维手势和物体姿势的估计从单目摄像机中联合评估,实现了全局的隐式表征,达到了最新的手 - 物体姿态估计结果。
Feb, 2024
提出了 DDF-HO 方法,利用 Directed Distance Field 作为形状表示,通过引入新的 2D 基于射线的特征聚合方案和 3D 交叉感知手势嵌入,结合 2D-3D 特征对手和物体的相互作用进行建模,大幅优于其他基准方法,尤其在 Chamfer 距离下超过 80%。
Aug, 2023
本研究提出了一种基于神经隐式表达并结合立体匹配和特征保持的新型表面重建框架,使用有符号距离场和表面光场直接表示场景几何及外观,并通过优化多视角特征一致性和渲染图像的保真度来精细化表示几何形状,提高了复杂场景拓扑的重建鲁棒性,实验结果表明相较于现有最优方法,本方法在无需输入蒙版的广阔场景网格重建上具有更佳的表现。
Aug, 2021
本文提出了一种基于优化的操作规划框架,其中目标是学习表示场景中物体的符号距离场的学习功能。我们通过代表物体的符号距离场来展示表示对象的方法不仅可以学习和表示多种模型,而且比点云和占用度量表示具有更高的准确性,并适用于基于优化的规划。我们通过学习运动学和动力学模型来解决在钩子上挂杯子和在桌子上推动物体等任务,这些任务都可以在相同的研究框架下解决,因为符号距离场是对象的共同表示。
Oct, 2021
本文提出一种基于 SMPL-X 模型的可灵活处理单张图片或非标定多视角图片的参数化框架,通过新颖的自进化符号距离场模块来学习并重建服装人体,并引入了自校准和遮挡感知的特征融合策略来提高重建效果。与现有算法相比,该方法在公共基准测试上表现很好。
Apr, 2023
本文研究了使用神经代表距离函数(SDF)进行三维对象表示学习的泛化能力,提出了一个半监督元学习方法,可将形状先验从有标签的数据传输到无标签的数据中,用于重建未知的对象类别,并实现了 100 多个未见过的类别的强大的零 - shot 推理。
Jun, 2022
Pose-NDF 是一种基于神经距离场的连续模型,用于生成逼真的人体姿势,学习了合理的姿势流形作为神经隐式函数的零水平集。它在各种下游任务中的表现优于现有的先进方法,例如去噪、姿势恢复和 3D 姿势重建等。
Jul, 2022
我们介绍了一种新颖的基于神经隐式表示法的多帧结构光设置深度估计技术。通过自我监督的可微分渲染训练神经符号距离场(SDF)。与被动视觉不同,我们利用结构光系统中通过投影模式已知的辐射场,实现几何场的独立优化,确保固定设备定位下的收敛性和网络有效性。为了提高几何保真度,我们在训练过程中引入了基于物体表面的额外颜色损失。实际实验表明,我们的方法在少样本情景下在几何性能上具有优越性,并且在增加模式可用性的情况下实现了可比较的结果。
May, 2024