从单例学习生成 3D 形状
通过利用先前训练好的生成模型,通过领域自适应的方式,基于有限数量的训练数据从而实现了少样本 3D 形状生成,该方法能够在保持多样性的同时避免过度拟合,并通过多种度量评估了生成的质量和多样性。
May, 2023
本文介绍了一种从自然图像中学习生成 3D 形状的生成模型的全面无监督方法,其中利用 GAN 等深度学习技术实现,从而生成出真实的三维图像,实现了从二维图像向三维图像的转换。
Oct, 2019
本文提出了一种称之为 “PrGANs” 的方法,能够在无监督学习的情况下,训练出一个能够从二维视角中通过投影反推出三维结构分布的生成式模型,并能够实现从输入图像中预测三维形状和视点,并生成新视图的功能。
Dec, 2016
从多样且非结构化的 Imagenet 数据集中,我们提出了一种从二维图像中重建三维几何模型的方法,使用高效的三平面表示法学习三维模型,并基于 StyleGAN2 的生成器架构对高度多样化的数据集进行调整,通过多视点辨别防止模式崩溃并提升训练稳定性。
Jan, 2024
通过 projective generative adversarial network(PrGAN)模型,我们可以在无监督学习的情况下,从提供的二维视图中推断出三维形状的概率分布,包括形状、视角和新的视图。
Jun, 2019
本研究提出一种基于 2D GAN 的 3D 几何线索挖掘框架,通过非监督学习实现从 2D 图像中恢复 3D 形状,无需 2D 关键点或 3D 注释,并能实现高质量的图像编辑。
Nov, 2020
该研究提出了一种新的框架,可以在只有 2D 图像且每个实例只有一个视角的情况下,从单张图像中进行特定类别的三维重建和新形状的生成,并支持较弱的监督。采用网格作为输出表达方式,利用光照参数和明暗信息进行训练,支持对洼地的物体类别进行学习。通过五项应用评估,发现该方法的性能表现优于现有的一些方法。
Jan, 2019
本研究提出了一种基于有符号距离表示的生成对抗神经网络架构,能够生成高保真度的三维模型,并通过使用不同的 progressively growing voxel 网络作为鉴别器以及细化生成器能力的算法,从 ShapeNet 基准数据集中验证了其有效性。
Feb, 2020