PlaneFormers:从稀疏视图到三维重建
本文提出一种在未知相机姿态下采用多视图重建室内场景中平面表面的方法,并且通过实验表明该方法在来自 Matterport3D 挑战性场景的稀疏视图的重建方面能够推进现有技术的发展。
Mar, 2021
本文提出一种新方法,通过预测多视角一致的平面嵌入来辅助几何方法,将点进行聚类成平面,从而解决了在场景中估计平面表面的问题,并在 ScanNetV2 数据集上表明,该方法优于现有方法和强基线的平面估计任务。
Jun, 2024
PlanarRecon 是一种基于神经网络的新框架,通过在视频中逐渐检测 3D 平面,实现了对场景的全局连贯检测与重构,并在 ScanNet 数据集上取得了最新的最优性能。
Jun, 2022
基于改进的实例分割架构的实时平面重建模型 SoloPlanes,同时预测每个平面实例的语义、平面参数和分段平面实例掩码,通过提供特征空间中的多视角指导,在单张图像推理时同时预测语义,并以 43 帧每秒的实时预测效果。
Nov, 2023
本文提出了一种名为 PlaneMVS 的新型框架,用于从具有已知相机姿态的多个输入视图中重建 3D 平面。采用多视角几何的 MVS 流水线将平面重建解耦,采用倾斜平面假设来取代传统深度假设并最终学习像素级平面参数及其平面深度图。通过大量室内数据集的实验表明,PlaneMVS 在平面检测和 3D 几何度量上显著优于最先进的单视角平面重建方法。
Mar, 2022
该研究提出了一种使用可见性信息从 3D 线段中提取平面,并在此基础上进行完整的分块平面重建的方法,以支持在缺乏纹理的情况下进行室内场景的 3D 重建。通过 RANSAC 方法提取线段形状以支持多种形状,进而实现了对稀疏输入数据、噪声和异常值的鲁棒性。
Nov, 2019
整合 3D 平面恢复的各个子任务,利用 Transformer 模型构建了一个统一框架,实现了单张图片的平面恢复,并在公共数据集 ScanNet 和 NYUv2-Plane 上取得了最新的性能表现。
Jul, 2023
通过前向推理,我们介绍了一种从单张图像高效生成三维模型的新方法,利用基于 Transformer 的网络,即点解码器和三面解码器,通过混合的 Triplane-Gaussian 中间表示重建三维物体,从而在渲染速度和渲染质量上实现了平衡,并比之前的技术在质量和运行时间方面取得了更好的效果。
Dec, 2023
本文提出一种通过使用有符号距离场获取和使用平面表面信息的新算法,有效地解决了在线重建中嘈杂不完整的问题,并使用平面拟合实现了意义上的语义分割。
Sep, 2016
LerPlane 是一种快速且精确的手术场景重建方法,在单视点情况下将手术过程作为 4D 体积进行因式分解成为静态和动态场的 2D 平面。
May, 2023