MeshDiffusion:基于评分的生成式 3D 网格建模
PolyDiff 是第一个能够直接生成逼真且多样化的三维多边形网格的扩散式方法。通过在多边形网格数据结构上本地化进行离散去噪扩散概率建模,我们能够学习顶点的几何特性和面的拓扑特性,从而生成高质量的三维多边形网格,适用于后续的三维工作流集成。
Dec, 2023
介绍 Deformable Tetrahedral Meshes (DefTet) 作为一种特殊的参数化,利用容积四面体网格用于重建问题,该方法可以同时达到高精度、容积、可学习神经架构,并且可以产生比替代容积方法小得多的网格大小的高保真重建。
Nov, 2020
我们提出了一种可导表示 DMesh,用于一般的三维三角网格。DMesh 考虑了网格的几何和连通性信息。在我们的设计中,我们首先基于加权 Delaunay 三角剖分 (WDT) 获得一组紧凑的凸四面体,并基于 WDT 以可导的方式提出面存在的概率,从而使得 DMesh 能够以可导的方式表示各种拓扑的网格,并利用基于梯度的优化方法在各种观测条件下,例如点云和多视角图像,进行网格的重建。完整论文和源代码可在此 https URL 找到。
Apr, 2024
Diffusion$^2$ 是一种新颖的框架,通过从视频数据和多视图扩散模型获取几何一致性和时间平滑性的知识,直接生成密集的多视图和多帧图像,优化连续性 4D 表示,从而在几分钟内生成 4D 内容。
Apr, 2024
本研究提出了一种基于扩散模型的高效的神经场三维生成方法,通过将训练数据转换为连续占据场并将其分解为一组轴对齐的三面体特征表示来实现,训练过程中,采用现有的二维扩散模型对这些特征表示进行训练,生成高质量和多样性的三维神经场,且优于其他三维生成方法。
Nov, 2022
通过设计一种新颖的稀疏潜点扩散模型,将点云作为中间表示建模并控制生成的网格的整体结构和局部细节,以提高效率和可控性,实现了在生成质量和可控性方面与现有方法相比优越的网格生成。
Mar, 2023
通过将动态 3D 网格的可控性与新兴扩散模型的表达能力和可编辑性相结合,我们提出了一种新的方法来自动化计算机生成的视频的创作过程,并输出高质量和时间上一致的帧。
Dec, 2023
本文提出了一种叫做 meshAdv 的方法,用于生成具有丰富形状特征但纹理变化最小的物体的 “对抗性 3D 网格模型”。使用可微渲染器进行对象的形状和纹理的操作,可以有效地攻击分类器和物体探测器,并在不同视角下进行攻击评估,同时设计了一个管道以对具有未知渲染参数的光真实渲染器进行黑盒攻击。
Oct, 2018
本文提出了一种名为神经体维网格生成器的神经网络模型,可以从随机噪声或参考图像中生成高质量的三维网格结构,并且通过比较实验,证明了这种方法在使用体素作为输入时相对于其他最先进的方法更具有稳健性,并且拥有更好的性能。
Oct, 2022