面向多边形几何的通用表示学习
通过引入一个综合框架,该研究主要关注多边形几何图形的学习表示,特别是多重多边形,并采用异构可见性图来捕捉内部和多个多边形之间的关系,同时提出了一个旋转 - 平移不变的几何表示方式,并设计了适用于多重多边形的新型模型 Multipolygon-GNN。实验证明该模型能够获取多边形几何图形的相关表示。
Jun, 2024
本文提出了一种基于 patch 的中层面向对象表示方法,将不同类别对象的相似性建模在 patch 级别,使模型更具有通用性,并且提出了一种新的在规范空间中学习 patch 表示的方法,该表示方法对物体的类别不敏感,在训练时只需要较少的数据集,在形状插值和局部点云完成等应用上也有良好的效果。
Aug, 2020
UV-Net 是一种采用 U 和 V 参数模型几何的边界表示数据的神经网络架构,它还使用图卷积神经网络显式地建模拓扑结构,并在 CAD 建模、制造、机器学习等领域得到应用,并可以优于其他 3D 形状表示方法,如点云、体素和网格。
Jun, 2020
本文提出了一种基于非均匀傅里叶变换(NUFT)的新方法,用于直接、最优地对定义在单纯形网格上的不同拓扑结构的非均匀数据信号进行采样,从而将信号转换到频谱域中,并利用卷积神经网络进行信号分析,从而实现 3D 形状检索和点云到曲面重建等任务。
Jan, 2019
本文介绍了一种基于神经网络的多边形网格渲染方法,该方法使用了一种近似梯度来克服离散化操作的限制,从而实现了单幅图像的 3D 网格重建。同时,该方法还实现了基于 2D 监督的 3D 渲染编辑操作。实验结果表明,所提出的渲染器有效性强。
Nov, 2017
采用基于多面体的图神经网络模型 PolyGNN 对点云进行 3D 建筑重建,通过多面体分解网络学习组合原语,通过图节点分类实现紧密、紧凑和弱语义重构。
Jul, 2023
通过神经网络将几何结构编码到权重和偏置中,通过映射网络重构对象,可在 7000 参数的情况下达到与百万参数状态下的最新型物体解码器架构同等甚至更高的精度。
Jul, 2019
地理空间特征表示对于集成地理定位数据的任何机器学习模型都是至关重要的,本研究提出了一种新的全球分布地理数据的位置编码器,结合球面调和基函数和正弦网络表示网络 (SirenNets),以学习双傅立叶球嵌入。
Oct, 2023
本研究介绍了一种新的三维基元表示方法 Neural Parts,该方法使用可逆神经网络定义基元,并通过学习将三维对象解析为语义一致的部件排列,有效地抽象了三维形状并实现了精确的重建。
Mar, 2021
本文提出了一种新的分类器设计方法,该方法通过将分类器设置为固定且不可训练的方式,通过利用三个正多面体的对称性生成固定的特征向量,来使嵌入具有稳定性和最大分离性,并通过实验验证了该方法改善和扩展了其他形式的固定分类器,提高了性能和收敛速度。
Mar, 2021