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

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
  • NeuralUDF: 学习无符号距离场进行任意拓扑表面的多视角重建

    本文提出 NeuralUDF 方法，通过体绘制从 2D 图像重建任意拓扑表面，使用无符号距离函数表示表面，成功实现复杂形态的非封闭形状高质量重建。

    Nov, 2022

  • 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

  • 统计边缘检测与形状表示的 UDF 学习

    本文提出了一种改进神经 UDF 学习的方法，通过集中学习表面边缘来提高神经 UDF 对原始 3D 表面的保真度，并提出了一种基于统计学方法的表面边缘检测技术。

    May, 2024

  • NeUDF：利用体渲染学习神经无符号距离场

    本文介绍了一种新的神经渲染框架，名为 nEudf，它可以仅通过多视图监督来重建具有任意拓扑结构的表面；多次实验结果表明，相对于已有的多视图表面重建方法，nEudf 在重建形状复杂、具有开放边界的物体时表现更卓越。

    Apr, 2023

  • 无符号正交距离场：多样化 3D 形状的准确神经隐式表示

    基于无符号正交距离场的新型神经隐式表示法可实现准确重构曲面点而无需插值误差。

    Mar, 2024

  • 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

  • 通过噪声到噪声映射从有噪音 3D 点云学习符号距离函数

    本论文提出通过噪声到噪声的映射来学习带符号距离函数，并利用现代 Lidar 系统拍摄的多个嘈杂观测来推断单个物体或场景的高度准确的 SDF，实现表面重建、点云去噪和上采样等任务，并在公开的基准测试中表现出比现有方法更优秀的性能。

    Jun, 2023

  • 使用梯度方向对锚定的无符号距离函数进行对齐，用于单视图服装重建

    使用深度形状表示，在单个图像中使用可学习的 Anchored Unsigned Distance Function（AnchorUDF）表示 3D 服装模型，通过预测无符号距离场（UDF）来实现开放服装表面建模和更好的控制拓扑结构，使用像素对齐的本地图像特征和一组锚点来富化查询点的 3D 位置特征，实验证明 AnchorUDF 在单视图 3D 服装重建方面具有最先进的性能。

    Aug, 2021

  • SuperUDF: 自监督的 UDF 估计用于表面重建

    基于无符号距离函数（UDF）的基于学习的表面重建具有处理开放曲面等多个优势。我们提出了 SuperUDF，一种自监督的 UDF 学习方法，该方法利用了学习的几何先验进行高效训练，并采用一种新颖的正则化方法来提高对稀疏采样的鲁棒性。SuperUDF 的核心思想受到局部最优投影（LOP）经典表面逼近算子的启发，关键观点是如果 UDF 正确估计，3D 点应该沿着 UDF 梯度局部投影到基础表面。基于此，我们设计了一系列关于 UDF 几何和预先学习的几何先验的归纳偏差，以便高效地学习 UDF 估计。我们提出了一种新颖的正则化损失来使 SuperUDF 对稀疏采样具有鲁棒性。此外，我们还贡献了一种基于学习的网格提取方法来从估计的 UDF 中获取网格。广泛的评估表明，SuperUDF 在多个公共数据集上的质量和效率均优于现有技术。代码将在接受后发布。

    Aug, 2023

  • 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