CVPRMar, 2023

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

PDF
TL;DR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。
signed distance functionsneural networkpoint cloudssurface reconstructionsparse point clouds
发现论文，激发创造
  • 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

  • 基于稀疏点云的无监督占据学习

    通过使用基于边界采样的方法和基于熵的优化过程，我们提出一种从稀疏输入中学习占据场的方法，并展示了该方法在隐式形状推断方面相对于基线方法和现有技术的有效性。

    Apr, 2024

  • GenSDF: 通用有符号距离函数的两阶段学习

    本文研究了使用神经代表距离函数（SDF）进行三维对象表示学习的泛化能力，提出了一个半监督元学习方法，可将形状先验从有标签的数据传输到无标签的数据中，用于重建未知的对象类别，并实现了 100 多个未见过的类别的强大的零 - shot 推理。

    Jun, 2022

  • 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

  • 基于学习预测上下文先验的点云表面重建

    本文介绍一种利用神经网络编码局部上下文先验 (surface reconstruction from point clouds) 的方法。具体来说，我们先为大规模点云训练局部上下文先验，然后通过学习预测查询来为每个特定的点云定制先验，从而实现针对不同点云的全局重构。实验结果表明，该方法在单个形状或复杂场景的表面重建方面显著优于现有技术。

    Apr, 2022

  • 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

  • 从原始点云逐步学习具有一致性感知的无符号距离函数

    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。

    Oct, 2022

  • GaussianRoom: 利用 SDF 导引和单目线索改进的 3D 高斯点雨法用于室内场景重建

    通过将神经有向距离场（SDF）与三维高斯光斑（3DGS）相结合，我们提出了一个统一的优化框架，用于在室内场景中进行高质量的重建和实时速度的渲染。

    May, 2024

  • TSDF-Sampling: 使用截断有符号距离场的高效神经表面采样

    通过使用截断有符号距离场（TSDF）的方法，本研究提出了一种能够减少采样数量的新方法，有效提高了多视图神经表面重建的推断速度，同时保持了渲染质量。该方法在各种神经表面场模型中都能被可靠地插入使用，并在性能方面表现出色。

    Nov, 2023

  • PSDF 融合：基于概率有符号距离函数的实时三维数据融合与场景重建

    本文提出了一种新颖的 3D 空间表示方法，其中概率有符号距离函数（Probabilistic SDF, PSDF）用于描述 3D 空间中的不确定性，支持数据融合和场景重建，同时提高了模型质量和减少冗余。

    Jul, 2018