Apr, 2023

基于注意力机制的三维体形建模零件拼装

PDF
TL;DR本文介绍了一种基于注意力的部件组装的 VodAttention 网络架构和通道分离的部件注意力方法，用于处理 3D 形状建模问题。实验结果表明，该方法在处理部件关系感知的 3D 形状建模任务上优于大多数现有的先进方法。
neural networkvoxattention network architecturepart assemblychannel-wise part attention3d shape modeling
发现论文，激发创造
  • AssembleNet++: 基于注意力连接组合模态表征

    使用视频模型 AssembleNet++，并结合 peer-attention 和神经元连接等技术，能够更好地学习对象信息和外观动态特征，并在活动识别领域取得新的最高水平。

    Aug, 2020

  • 面向结构感知形状合成的零件生成与组装学习

    通过使用部件感知深度生成网络 (PAGENet) 建模三维形状的变化，利用每个部件的 VAE-GANs 生成具有语义感知的部件，并使用部件组装模块将它们组装在一起，从而减少了建模三维形状变化的难度。该模型在语义形状分割和基于部件的形状编辑等应用中取得了可信度高、多样性和细节丰富的三维形状的生成效果。

    Jun, 2019

  • 三维点云语义分割的点注意力网络

    本研究提出了一种点关注网络，它可以在对 3D 点云进行语义分割时学习丰富的本地形状特征和上下文相关性，并代替传统卷积核或参数共享机制来更有效地处理稀疏的 3D 点云。实验表明，该算法能够与现有的最先进方法同等或更好地处理各种 3D 点云。

    Sep, 2019

  • ComplementMe：三维建模的弱监督组件建议

    该论文提出了一种新型神经网络结构，用于建议配件并将其放置到不完整的三维零件装配中，能够在不需要大量用户输入的情况下设计复杂形状，有望成为非专业形状设计师的强大建模范例。

    Aug, 2017

  • 通过部件整体层级信息传递的生成式三维部件装配

    我们提出了一种基于部分 - 整体 - 层次的消息传递网络，通过预测超级部分的位姿来有效实现 3D 部件的组装。实验结果表明，我们的方法在部件和连通性准确性方面取得了最先进的性能，并实现了可解释的分层部件组装。

    Feb, 2024

  • 动态图学习生成三维零件装配

    该论文提出了一种基于动态图卷积神经网络的自主部件组装方法，主要解决了几何和关系推理的部件姿态估计子问题，从而将输入部件组装成一个 3D 形状。

    Jun, 2020

  • VoxSegNet：用于 3D 形状的语义部分分割的体积卷积神经网络

    本文提出了一种新颖的体积卷积神经网络，通过空间密集提取模块和注意力特征聚合模块从体素化三维数据中提取具有详细信息的判别特征，以实现具有语义一致性和高精度细节的分割任务，实验结果表明了在大规模数据集上进行形状部分分割任务时我们方法的有效性。

    Sep, 2018

  • 基于分层部位注意力的细粒度三维形状分类

    FG3D-Net 是一种用于 3D 形状分类的方法，它通过引入 fine-grained 的数据集和 part-view attention 等技术，提高了在 3D 形状细分类别上的识别精度。

    May, 2020

  • 通过潜空间分解进行复合形状建模

    本文提出了一种名为 Decomposer-Composer 的新型神经网络结构，用于基于语义结构的 3D 形状建模，采用自编码器技术，在嵌入空间上进行分解 - 合成操作，并通过引入显式的学习部分变形模块，使得该网络能够实现部件级的形状操作，具有较高的性能表现。

    Jan, 2019

  • 多元部分合成用于 3D 形状创建

    采用神经网络合成三维形状的方法中引入了基于部件表示的方法，在过去几年中已经出现。然而，当前方法不容易根据用户的偏好重新生成单个形状部件。本文研究了允许用户生成多个多样化部件建议的技术，特别是实验了先前的形状合成工作中未考虑的多模态深度生成模型。通过在基于部件表示的合成方法中评估这些技术，我们提供了一种比较研究。我们的贡献是定性和定量评估表明，哪种新的多模态部件生成技术表现最佳，并且基于表现最佳技术的合成方法在重构形状时可以更好地控制所生成的三维形状的部件，同时保持高形状保真度。

    Jan, 2024