Apr, 2023

NutritionVerse-Thin: 一种优化策略，用于改进 3D 薄食物模型的呈现

PDF
TL;DR该论文针对 3D 模型渲染中的薄物体问题，提出了一种基于可区分重构的优化策略，该方法针对薄物体进行了优化，达到了更好的渲染效果。
generative models3d modelingrenderingfood printingthin object
发现论文，激发创造
  • NutritionVerse-3D：一份用于营养摄入量估计的三维食品模型数据集

    本研究利用机器学习和计算机视觉技术，采用 NutritionVerse-3D 大规模高质量高分辨率数据集，开发了一种收集食品 3D 模型的方法，推进了营养感知的机器学习加速开放计划。

    Apr, 2023

  • 利用深度神经网络从食物图像中进行多任务营养预测的研究

    该论文通过利用各种神经网络结构来预测餐食图像的营养含量，提高了膳食摄入估计的效力，并展示了其在改善膳食摄入估计准确性方面的潜力。

    May, 2024

  • 通过三维物体缩放进行食物容量估计

    本研究提出了一种新的框架，通过利用 3D 食物模型和场景中的物理参考，从 2D 图像中估计食物的容量和能量。该方法通过重现具有估计姿态的食物的 3D 模型图像，来估计输入图像中摄像头和食物物体的姿态。我们还介绍了一个新的数据集，SimpleFood45，其中包含 45 种食物的 2D 图像和相应的注释，包括食物的容量、重量和能量。我们的方法在这个数据集上的平均误差为 31.10 千卡（17.67%），表现优于现有的分量估计方法。

    Apr, 2024

  • NutritionVerse-Real：一项用于饮食摄入估计的开放获取的手工精选 2D 食物场景数据集

    营养素摄入估计的重要性和面向机器学习的营养感知的开放倡议在这篇论文中介绍了 NutritionVerse-Real 数据集的创建、分析和可用性。

    Nov, 2023

  • Nutrition5k：面向通用食品的自动营养理解

    该研究通过引入 Nutrition5k 数据集，采用计算机视觉算法能够精确预测真实世界中的复杂菜肴的热量和营养素值，并且具有超过专业营养学家的准确性，使这一领域的营养理解得到加速创新。

    Mar, 2021

  • Magic3D：高分辨率文本到 3D 内容生成

    本文提出了一种名为 Magic3D 的优化框架，利用低分辨率扩散先验和稀疏 3D 哈希格网结构，通过两阶段优化过程加速生成高质量 3D 网格模型，相对于 DreamFusion 优化用时减少一倍，同时也实现了更高分辨率的生成。用户调查表明，高达 61.7% 的用户更喜欢 Magic3D 模型。

    Nov, 2022

  • 营养宇宙：不同饮食摄入估计方法的实证研究

    准确的膳食摄入估计对于支持健康饮食的政策和计划至关重要，然而，自我报告方法存在严重的偏倚。为了解决这个问题，本文介绍了 NutritionVerse-Synth，这是第一个大规模的数据集，包含 84,984 张真实感合成的 2D 食物图像，以及相关的膳食信息和多模态注释。通过利用这些新颖的数据集，开发和评估了 NutritionVerse，包括间接基于分割和直接预测网络的各种膳食摄入估计方法。最后，发布了这两个数据集（NutritionVerse-Synth、NutritionVerse-Real），作为加速机器学习在膳食感知方面的开放倡议的一部分。

    Sep, 2023

  • NutritionVerse-Synth: 用于饮食摄入估计的开放式合成 2D 食物场景数据集

    通过物理模拟生成多样化逼真的餐食图片，克服数据限制，并驱动计算机视觉自动膳食评估的进步。

    Dec, 2023

  • 视觉层析：部分半透明物体的物理准确体积模型

    从真实世界数据中忠实地创建的数字 3D 物体表示可以用于人工或计算机辅助分析，同时可以用于生成难以获取或缺乏训练数据的机器学习方法的训练数据，本文提出了一种用于获取包括半透明物体内部的物理模型的体积重建方法，通过在明亮的白光源前以不同角度拍摄物体并计算每个体素的吸收和散射来解决可视化层析成像问题，此外，还提出了一种将非物理 NeRF 媒体转换为基于物理的体积网格的方法，并通过两个真实的浮游生物验证集展示了该方法的有用性，最终还将实验室扫描的模型重新光照并虚拟地浸入带有增强介质和照明条件的场景中。

    Dec, 2023

  • Tiny-nerf 与空间表示法在三维重建中的比较

    本文主要研究了神经渲染技术在机器人领域的应用，通过对常用的三维地图表示方法如体素地图、点云和三角网格以及神经渲染方法 tiny-NeRF 进行对比研究，发现在空间复杂度方面，tiny-NeRF 所需内存空间是其他方法的三倍以内；但在模型计算时间方面，tiny-NeRF 要比其他方法慢大约六倍。

    Jan, 2023