ExtrudeNet: 无监督逆向草图和拉伸用于形状解析
使用 Point2Cyl 算法,通过神经网络将原始三维点云转化为一组挤压圆柱,从而实现了对三维数据的反向工程和 CAD 模型的制作及编辑。
Dec, 2021
一种从 2D 线描图中重建三维形状的方法,采用深度编码器 - 解码器网络将线描图转换为点云,通过多视角深度图和法线图的融合优化得到点云,在维持拓补和形状结构的同时比容积网络具有更高的重建精度和输出表面分辨率。
Jul, 2017
本文提出一种基于编码器 / 解码器架构利用用户界面提供的相机参数对手绘或合成草图进行转换,将草图转化成三维网格并进行图形重塑的方法,并表明该方法易于部署,对样式变化具有鲁棒性和高效性,且具备单笔画进行形状精细化的能力。和目前最先进的方法相比,我们表现更好。
Apr, 2021
该文章提出了一种新的神经网络 (UD^2E-Net) 用于从非刚性形状的密集局部特征中学习预测形状之间的形变,通过外部 - 内部自编码器将物体的几何特征从源到目标进行转换,并引入了一个参数化变形图和一个追踪传播算法来提高变形质量和效率。
Aug, 2021
本文提出了一种使用基于卷积的深度神经网络架构 (TreeSketchNet) 将树木的简单草图转换为完整三维模型的中介模型,并基于合成和手工制作的草图对其进行测试,结果表明其结果较为准确。
Jul, 2022
本文主要介绍了一种基于深度学习的方法来清理和增强三维 CAD 模型的手绘查询草图,从而改善搜索引擎的结果。结果表明,使用这种方法可以获得更好的搜索结果。
Jul, 2022
本文提出了一种新的基于深度学习的方法,旨在从点云中重建物体表面网格表示,通过预测点云中三元组之间的连通性关系来生成高质量网格,并证明该方法在处理细节保留、模糊结构等实际问题时表现良好。
Jul, 2020
AR/VR 发展迅速,对 3D 内容需求巨大。本研究提出一种基于手绘草图的 3D 建模方法,使用单个手绘草图生成高保真内容,无需多个视图或步骤。采用端到端方法,引入轻量级生成网络和结构感知对抗训练,并通过 Stroke Enhancement Module(SEM)捕捉结构信息,提升性能。实验证明该方法在合成和真实数据集上具有最先进的性能。
Sep, 2023
该论文介绍了一种名为 CSG-Stump Net 的无监督端到端网络,利用点云学习形状并发现基元建模和操作。 该方法采用三层结构和简单的结构使其适合神经网络,相比基于 CSG 的方法取得了更好的结果。
Aug, 2021
本研究提出了一种基于深度学习的素描系统用于 3D 人脸和漫画建模,它具有省力且自由的手绘界面,并支持基于手势的用户交互。
Jun, 2017