ECCVAug, 2022

TSCom-Net: 粗到细的三维纹理形状补全网络

PDF
TL;DR利用 BCom-Net 神经网络构建了一个两阶段的方法来实现从部分输入的 3D 扫描中完整地重建出身体形态和纹理，并在 SHARP 2022 挑战中获得了第二名。
3d body reconstructionneural networkstexture completionoccupancy gridsharp challenge
发现论文，激发创造
  • FaceCom: 高保真三维面部形状补全的优化与修复引导

    FaceCom 是一种基于网格生成网络的 3D 人脸形状补全方法，能够高精度地处理任意形式的不完整人脸输入。该方法通过图像修复指导，使用优化方法适应不完整的人脸输入，进一步通过后处理步骤提高补全结果的质量。FaceCom 在医学义肢制造和不完整扫描数据的注册中具有良好的应用潜力，实验证明其在适应性和形状补全任务上具有出色的性能。

    Jun, 2024

  • 使用隐式特征网络从部分 3D 数据进行纹理补全

    本研究旨在实现通过 IF-Nets 模型进行基于局部和全局深度特征提取，从部分三维纹理和已完成几何体上完成 3D 纹理的完整。我们的模型成功地用靠近已完成几何体的内插法来处理丢失的纹理部分，并在 SHARP ECCV20 挑战中取得了最高表现。

    Sep, 2020

  • BodyNet: 3D 人体形状的体积推断

    本篇研究提出了一种名为 BodyNet 的神经网络，通过直接推断体积棱柿，从而预测自然图像中的三维人体形状，同时结合三维损失和多视角重投影损失以及适当的监督，实现了性能的提升；通过将 SMPL 模型应用于网络输出，并在 SURREAL 和 Unite the People 数据集上展示了最先进的结果，证明了本方法的有效性。

    Apr, 2018

  • TetraTSDF: 通过四面体外壳的单张图像三维人体重建

    该研究提出了一种基于 TetraTSDF 和 PCN 的人体建模方法，通过卷积神经网络和三维人体先验知识，可以从单张图像中重建穿着宽松衣服的真实 3D 人体模型。

    Apr, 2020

  • 来自单个深度图像的语义场景补全

    本文针对通过单视图深度图来获取场景的完整三维体素表示和语义标签的语义场景完成任务，提出了一种端到端三维卷积神经网络 SSCNet，该网络能够同时输出所有摄像机视图锥体中体素的占用和语义标签。SSCNet 使用基于扩张的三维上下文模块来高效地扩展感受野并进行三维上下文学习。实验结果表明，该联合模型比各自解决每个任务的方法表现更好，并且在语义场景完成任务上优于替代方法。

    Nov, 2016

  • 语义人体网格重建与纹理

    SHERT 是一个新的流程，可以通过语义和法线采样来重构具有纹理和高精度细节的语义人体网格，生成稳定的 UV 展开、高质量的三角网格以及一致的语义信息，优于最先进的方法。

    Mar, 2024

  • 形状补全启用的机器人抓取

    通过使用 3D 卷积神经网络结构，本研究为机器人抓取规划提供形状补全，同时在实时运行时进行形状补全以规划和执行抓取动作。研究还探讨了形状补全的质量因素，如物体是否存在于训练数据中，使用几个物体模型用于训练网络，以及网络推广到新颖物体的能力等，同时对机器人抓取的效用和补全质量进行了实验验证。

    Sep, 2016

  • SC-Diff：使用潜在扩散模型进行三维形状补全

    本文介绍了一种基于 3D 潜在扩散模型的 3D 形状补全方法，该方法通过交叉注意力和空间特征整合实现以图像为基础的条件和以 3D 特征为基础的条件，以高分辨率、真实感的方式完成形状补全。

    Mar, 2024

  • OSTeC: 单次纹理补全

    本文提出了一种无监督的方法，用于一次性 3D 面部纹理完成，这不需要大规模的纹理数据集，而是利用 2D 生成器中存储的知识。实验结果表明，完成的纹理和正视图像具有高质量，类似于原始身份，可以用于训练 3DMM 拟合的纹理 GAN 模型和提高姿态不变的面部识别。

    Dec, 2020

  • SDFusion: 多模态 3D 形状完成，重建和生成

    该论文提出了一种新的框架，用于简化业余用户的 3D 资产生成。这种方法支持多种输入模态，并能够对每个输入的强度进行调整，从而允许用户同时使用不完整的形状、图像和文字描述来生成形状，并提供每个输入的相对权重和互动性。

    Dec, 2022