利用潜空间操纵优化 CAD 模型
该论文介绍了一种基于文本或图像的提示(如 “年轻的脸” 或 “惊讶的脸”)来操纵三维生成模型中形态和纹理的方法,利用了对比语言图像预训练模型(CLIP)和预训练的生成人脸的三维 GAN 模型创建了一个完全可微的渲染管道来操作网格。
Feb, 2022
本文介绍了一种简单的无监督方法,用于提供训练良好的局部潜在子空间,使得通过潜在编码的导航能够保持生成图像的真实感。实验证明,在局部潜在子空间内生成的图像能够在潜在编码反复调整的情况下保持真实感,并且这种方法对各种类型的基于风格的模型中的潜在编码优化都具有应用潜力。
Oct, 2023
本文探讨了在机器学习领域,数据注释的重要性以及利用神经网络的潜在空间和图形用户界面的坐标之间的类比来进行数据注释的新方法,并对网络模型进行了调整以获得更紧凑的图形表示和讨论了模型超参数对抽取图形表示的影响。
May, 2023
计算机辅助设计(CAD)模型生成是一项重要任务,提出了一种利用卷积神经网络、多视角池化和基于转换器的 CAD 序列生成器的网络架构,通过大量的模拟输入图片进行训练和优化,成功地从测试图像数据重建有效的 CAD 模型,并表明该网络的一些能力可以迁移到实际照片领域,然而目前可行的模型复杂度仍然受限于基本形状。
Sep, 2023
本文研究生成对抗网络(GANs)中的潜在空间与三维对象的关系,探讨了几种 GAN 的变体和训练方法,旨在提高 3D GAN 的训练效果,同时提出了未来研究的方向。
Apr, 2023
提出了基于扩散模型的文本驱动实际面部图像编辑方法,并通过 ChatFace 交互式系统实现了精确的零样本和多属性操纵。
May, 2023
这篇研究论文中介绍了如何利用深度学习系统及解释性人工智能方法,结合 NeuroCAD 环境实现对 CAD 模型的评估和识别,旨在开启黑匣子,并找出影响网络决策的几何特征,帮助设计师对装配工艺进行优化。
Jan, 2022
通过增加合成训练数据,使得含有 3D CAD 模型的深度卷积神经网络(DCNN)训练数据可以更好地适应目标领域,本文详细分析了在没有低级线索(纹理,姿态和背景)的情况下 DCNN 的学习能力,并表明我们的合成 DCNN 训练方法在几乎没有真实数据的情况下可以在 PASCAL VOC2007 数据集上获得更好的性能,并且可以在 Office 基准测试中的域偏移场景中提高性能。
Dec, 2014
本文提出利用生成对抗网络(GAN)为新手用户设计真实世界形状,使用具有简单界面的体素网格进行编辑。该方法的主要优势是通过学习投影和生成算子来协助用户创建背景分布对象形状的 3D 模型,同时不必指定所有细节。通过该算法及工具的实验表明 GAN 是计算机辅助交互建模的一种有前途的方法。
Jun, 2017