Oct, 2022

从原始点云逐步学习具有一致性感知的无符号距离函数

HTML
PDF
TL;DR本研究提出了一种从原始点云直接学习一致性感知无符号距离函数的新方法，以进行表面重建，同时引入了多边形化算法以直接从学习的UDF的梯度场中提取表面。实验结果表明，在合成和真实扫描数据的表面重建方面，该方法在广泛使用的基准测试中明显优于现有技术。
发现论文，激发创造
  • 神经拉力：学习从点云中学习符号距离函数并学习将空间拉到表面上

    本文介绍了一种新的方法Neural-Pull，利用神经网络简单且高质量地学习表面的符号距离函数，通过网络本身计算的符号距离值和查询位置的梯度来训练神经网络。在广泛使用的基准测试下，我们的结果优于现有最先进的方法，展示了对表面重建和单张图像重建可以更准确和灵活地学习符号距离函数。

    Nov, 2020

  • 深度隐式曲面点预测网络

    本文提出了一种新的隐式表示方法，称为最接近的表面点（CSP）表示，用于表示具有任何拓扑结构的开放或封闭形状并计算本地几何属性，可以实现高保真度和有效实现外围算法，如球追踪来呈现三维表面和创建显式基于网格的表示，并在ShapeNet数据集上验证了超越最先进结果的贡献。

    Jun, 2021

  • RangeUDF: 从3D点云中语义表面重建

    本研究提出了RangeUDF框架，使用基于隐式表示的方法从点云中恢复连续3D场景表面的几何和语义，通过表面导向的语义分割模块和范围感知的带符号距离函数，实现了连续表面的语义建模和重建，并在多个点云数据集上比较实验表明，该框架明显优于现有方法。

    Apr, 2022

  • 利用表面先验重建稀疏点云的表面

    通过在表面上使用先验信息, 使用神经网络从稀疏的3D点云中精确地重建表面，方法无需事先获取签名距离或点法向量，实现了最优的重建精度。

    Apr, 2022

  • 从单个稀疏点云中无监督地推导符号距离函数，无需学习先验知识

    本文提出了一种基于神经网络的方法，可以直接从单个稀疏点云中推断有符号距离函数（SDF），构建了表面参数化和SDF推断的端到端方法，通过利用参数化表面作为粗略表面采样器，以统计方式推断SDF，并在合成数据集和真实扫描下的稀疏点云表面重构方面显著提高了我们对现有技术的优势。

    Mar, 2023

  • 通过水平集投影学习在无符号距离场中更连续的零水平集

    通过级别集投影方法来学习更连续的零级别集合，从而构造更平滑和连续的无符号距离场。

    Aug, 2023

  • 无符号距离场学习中的细节增强用于高保真度3D表面重建

    我们提出了一种Details Enhanced UDF (DEUDF)学习方法，通过集成法线对齐和SIREN网络来捕获精细的几何细节，自适应加权的等距约束方法来解决目标表面附近梯度消失的问题，基于MLP的UDF表示方法来放宽非负约束，以及一种专门针对UDF的非常量等值面提取方法，这些策略共同稳定了从未定向点云中进行学习的过程并提高了UDF的准确性。我们的计算结果表明，DEUDF在准确性和重建曲面质量方面优于现有的UDF学习方法。我们将公开源代码。

    Jun, 2024

  • 学习局部形状函数的无符号距离场用于三维表面重建

    利用局部形状函数学习无符号距离场（UDF）的神经框架 LoSF-UDF，从3D点云重建表面，无需针对具体形状进行训练，并且对于点云中的噪声和异常值表现出增强的鲁棒性。

    Jul, 2024

  • 学习神经符号距离函数从三维点云的隐式滤波

    我们提出了一种新的非线性隐式滤波器，用于对点云数据进行平滑处理并保留高频几何细节，实验证明我们的方法在对象和场景点云表面重建方面改进了现有技术。

    Jul, 2024

  • 基于Monge-Ampere正则化从点云学习任意形状

    本研究针对传统有符号距离函数在建模多样表面时的不足，提出了缩放平方距离函数（S$^{2}$DF），一种新型的隐式表面表示方法。S$^{2}$DF有效解决了无符号距离函数在零水平集处的不可微性问题，并且通过Monge-Ampere正则化，无需真实S$^{2}$DF值的监督即可从原始无方向点云中直接学习S$^{2}$DF，实验结果表明该方法在多个数据集上显著优于现有的需要真实值监督的监督方法。

    Oct, 2024