使用自监督图卷积网络学习网格修复的自我先验

May, 2023

使用自监督图卷积网络学习网格修复的自我先验

Learning Self-Prior for Mesh Inpainting Using Self-Supervised Graph Convolutional Networks

Shota Hattori, Tatsuya Yatagawa, Yutaka Ohtake, Hiromasa Suzuki

TL;DR本研究提出一种自我先验的网格修补框架，通过引入两个自监督图卷积网络训练来实现，从而在不需要任何训练数据集的情况下只需一个不完整的网格作为输入，并在修补过程中保持原始多边形网格格式，最终可以生成一个修补好的多边形网格。

Abstract

This study presents a self-prior-based mesh inpainting framework that requires only an incomplete mesh as input, without the need for any training datasets. Additionally, our method maintains the polygonal mesh f

mesh inpainting graph convolutional networks self-supervised learning polygonal mesh shape completion

发现论文，激发创造

基于修补的自监督点云补全

本文通过自监督学习中的修补法算法 PointPnCNet，使用 LiDAR 数据进行点云补全，以解决遮挡问题，我们的方法在 ShapeNet 和 Semantic KITTI 的数据集中，表现优于前人的无监督和弱监督方法。

Nov, 2021

图像细粒度修复

本文提出了一种利用扩张卷积密集组合，通过设计自主回归损失、几何对齐约束项和具有局部和全局分支的判别器等方法改进图像修复的 GAN 模型。实验表明，该方法在多个公共数据集上都优于现有的最先进方法。

Feb, 2020

基于深度混合自学习的全三维网格生成

提出一种利用深度神经网络的全新 2D-3D 自先验策略的深度学习流程来重构含有三角网格和纹理贴图的完整 3D 模型，实验证明该方法不仅无需额外的训练数据即可从稀疏输入中恢复出高质量的 3D 纹理网格模型，而且在几何和纹理质量上均优于现有方法。

Aug, 2021

门控卷积自由形式图像修复

本文提出了一种建基于门控卷积的生成式图像修复系统，用于完成自由形状掩码和引导的图片修复任务。所提出的门控卷积解决了通用卷积中将所有输入像素视为有效像素的问题，并提供了一种可学习的动态特征选择机制，以适应于每个通道和空间位置上的输入。作者还提出了一种名为 SN-PatchGAN 的基于图像块的 GAN 损失，可以应用于自由形状掩码和根据用户指导进行图像扩展，并证明所提出的方法比以往任何方法都更加高质量和灵活性。

Jun, 2018

自监督训练的图卷积网络

本文提出了两种无监督自学习策略来利用输入图形结构数据中的可用信息，以进一步改善有限的训练数据下模型的学习能力和性能。该方法在三个公共引文网络数据集上使用两个代表性的 GCN 模型进行了实验验证，展示了其在显著提高特征学习方面的自我监督学习能力和可移植性。

Jun, 2020

GRIG：少样本生成式残差图像修复

提出了一种使用 CNN 和 Transformers 进行全局推理的 few-shot generative residual image inpainting 方法，通过图像级和补丁级鉴别器及伪造补丁的对抗训练策略实现高质量修复效果，并通过对比评估表明该方法优于以往的 few-shot image inpainting 方法。

Apr, 2023

基于生成多列卷积神经网络的图像修复

本文提出了一种基于生成的多列网络来进行图像修复的方法，该方法通过采用置信度驱动的重建误差和多重随机场正则化来增强图像的全局和局部细节，在不需要进行后期处理的情况下，在挑战性的街景、人脸和自然场景下产生了令人信服的视觉效果。

Oct, 2018

具有上下文条件生成对抗网络的半监督学习

本论文介绍了一种基于对抗损失的图像修复半监督学习方法，通过生成器填充图像中的孔洞，再用鉴别器判断图像的真实性，以实现对鉴别器的有监督训练，并在 STL-10 和 PASCAL 数据集上表现出与现有方法相当甚至更好的性能。

Nov, 2016

提升几何建模能力的自监督学习在三维感知生成对抗网络中的应用

通过自监督学习技术，我们提出了一种适用于任何 3D-GAN 的辅助损失，旨在改进其 3D 几何建模能力，并通过综合实验证实了该方法的有效性。

Dec, 2023

自主学习的双轮廓化

基于学习的等值面提取方法是一种强大且高效的替代公理技术的新兴方法。然而，绝大多数这类方法依赖于带有公理计算出的真值标签的监督训练，因此会潜在地继承相应公理方法的偏见和数据伪现象。为了避免这种依赖性，我们提出了一种针对神经双轮廓网格化框架的自监督训练方案，即自监督双轮廓（SDC）。我们使用两种全新的自监督损失函数，而非通过监督训练优化预测的网格顶点，以鼓励生成的网格与距离的一阶一致性。SDC 重建的网格在捕捉细节方面优于现有的数据驱动方法，同时对输入的可能不规则性更具鲁棒性。此外，我们使用相同的自监督训练目标连接推断网格和输入 SDF，以规范 Deep Implicit Networks（DINs）的训练过程。我们证明由此得到的 DINs 生成更高质量的隐式函数，最终相比先前的基准方法更准确且保留了更多细节的曲面。最后，我们证明我们的自监督损失通过实现预测 SDF 和生成输出网格的联合训练，提高了单视角重建任务的网格化性能。我们以此 https URL 开源我们的代码。

May, 2024