AAAIAug, 2022

基于单视角 RGB-D 的占据平面人体重建

PDF
TL;DR该研究通过使用 OPlanes 表示法，将单视图 RGB-D 人类重建问题转化为在通过相机视锥切面的平面上的占位符预测，从而实现更精确的预测结果。在具有其他障碍物和部分可见性的复杂情况下，该方法在 S3D 数据上实现了更好的表现。
single-view rgb-d reconstructionimplicit functionsper-point classificationoccupancy planess3d data
发现论文，激发创造
  • 动态平面卷积占据网络

    本研究提出了一种新型的动态平面卷积占据网络 (Dynamic Plane Convolutional Occupancy Networks)，它可以通过编码点云并将其投影到多个 2D 动态平面上，使用全连接网络来预测最佳的平面参数，进而从未定向的点云中实现更优秀的表面重建。该方法在 ShapeNet 和室内场景数据集上均表现出优越性能，并对学习到的动态平面的分布提供了有趣的观察结果。

    Nov, 2020

  • 针对室内 RGB-D 重建的几何和纹理的高效基于平面的优化

    我们提出了一种基于平面基元的 RGB-D 室内场景重建新方法，通过适应平面构建整个场景的低多边形网格，保留原始场景的几何细节和锐利特征并生成清晰的面纹理，相较于现有方法更有效的从 RGB-D 数据生成纹理网格。

    May, 2019

  • 场景作为占用

    通过提出一种新的 3D Occupancy 表示法 (OccNet)，并在 nuScenes 数据集上建立了 OpenOcc，我们方法能够有效地为多个驾驶任务提供有力的支持，并取得了显著的性能收益，例如运动规划可以实现 15％-58％的碰撞率降低。

    Jun, 2023

  • 基于函数空间学习三维重建的占用网格

    本文提出了一种新的基于占据网络的、在 3D 重建方面使用的表示方法，可以在计算和内存效率上实现任意拓扑的高分辨率几何表示，并通过各种输入进行推断，产生竞争力的结果。

    Dec, 2018

  • 室内全景平面三维重建：分治算法

    本文提出了一种基于水平面和垂直面的 360 度室内全景图像近似场景的方法，并使用具有地面真实数据的数据集进行了测试，结果表明本文的方法在室内全景图像处理中具有更好的性能。

    Jun, 2021

  • PlaneDepth: 基于正交平面的自监督深度估计

    本文提出了一种基于正交平面的深度估计方法 PlaneDepth，使自监督学习中的深度估计更为精确，同时解决了自动驾驶中分割、补洞等问题，实现了无监督地提取地面平面，为自动驾驶技术的发展提供了有效支持。

    Oct, 2022

  • OpenOcc：基于占据表示的开放词汇量三维场景重建

    我们提出了 OpenOcc，一种将 3D 场景重建和开放词汇理解与神经辐射场结合的新型框架。通过占位表示法对场景的几何结构进行建模，并通过体素渲染将预训练的开放词汇模型蒸馏为 3D 语言场，以实现零 - shot 推理。此外，我们提出了一种新颖的语义感知置信度传播（SCP）方法，以缓解由于蒸馏特征中不一致测量而引起的语言场表示退化问题。实验证明，我们的方法在 3D 场景理解任务中取得了有竞争力的性能，特别是对于小物体和长尾物体。

    Mar, 2024

  • ReFu: 通过细节保留的单张照片三维人体建模，对未观察的视角进行优化和融合

    使用 ReFu 方法，结合 2D 和 3D 监督，利用减少扩散占用概率的体积渲染，生成具有细节保留的背面图像，并将经过修整的图像与前端的反向变形融合以预测出人体模型，最终在单张图像 3D 人体重建中取得了最新成就。

    Nov, 2022

  • 卷积占据网络

    本文提出基于卷积的代表性网络 Convolutional Occupancy Networks 用于 3D 重建，实现了在较为复杂的几何情况下的结构化推理及其他先验偏差的融合，通过从噪声点云等数据中重建复杂几何模型且适用于大尺度室内场景。

    Mar, 2020

  • 人作为点：从单视角 RGB 图像中显式基于点的 3D 人体重建

    通过采用点云作为目标几何结构的中间表示，该研究论文调查了一种名为 HaP 的显式基于点云的人体重建框架，通过完全显式地进行点云的估计、处理、生成和优化来解决现有学习方法在灵活性、普适性、稳健性和表达能力方面的局限性。

    Nov, 2023