使用断裂曲线重新组合破碎物体
该文章介绍了 Jigsaw 框架,该框架是一种用于将多个部件的物理断裂的 3D 对象组装起来的方法,并且通过分割、匹配和全局对齐的方式来提高其性能。该方法是一种第一次基于学习的方法,专门用于多个部件的 3D 断裂组装。
May, 2023
本文介绍了 “Fantastic Breaks (和它们在哪里找到)” 数据集,该数据集包含 150 个 3D 损坏的物体的扫描、防水和清理网格,以及完整对应物体的几何对齐。通过对破裂几何的详细分析,揭示了 Fantastic Breaks 和使用基于几何学和基于物理的方法生成的合成断裂数据集之间的差异,并使用该数据集进行了实验形状修复评估。
Mar, 2023
本文提出了一种新颖的点云曲线聚合方法,该方法首先在点云中进行诱导游走,然后再将曲线聚合起来,以增强其点级特征。该方法在多个点云分析任务上进行了基准测试,在 ModelNet40 分类任务中达到 94.2%的分类准确度,在 ShapeNetPart 分割任务中获得 86.8 的实例 IoU,在 ModelNet40 正常估计任务中获得 0.11 的余弦误差,表现出卓越的性能。
May, 2021
Pix2Repair 是一种自动形状修复方法,通过对图像进行分析来生成 3D 打印的修复形状,从而克服了传统修复方法需要高分辨率的不完整 3D 网格的不足。
May, 2023
本研究介绍了 Breaking Bad 数据集,它包含来自一万个基本模型的超过一百万个被模拟的碎裂物体,并通过最新的基于物理的算法实现碎裂模拟,为几何形状理解和重新组装碎裂物体提供了新的挑战。
Oct, 2022
通过使用一种新的能量最小化框架,从点云视频中识别出由任意数量部分组成的任意日用物品的不同部分,这与其他先前的研究相比,我们的方法在各种度量方面表现更好,并能使模型重新定位到新的姿势上。
Jun, 2023
该论文提出了一种新颖的 “自动凝聚” 三维断裂组装方法 PuzzleFusion ++,类似于人类解决具有挑战性的空间拼图的方式。通过将单个碎片对准并合并成较大的群组,然后迭代地完成组装,这种方法在 Breaking Bad 数据集上的大量实验证明,在所有度量指标上都明显优于所有其他最先进的技术,特别是部分准确性提高了 10%以上,Chamfer 距离提高了 50%。
Jun, 2024
本文介绍了一种基于无监督学习的算法,可以从 3D 点云数据中自动分解复杂的关节式物体模型,定位其各部分的位置,并还原其关节连接,方法通过无刚性变形技术配合 EM 算法和图像模型实现,可在避免局部最大值的情况下获取大量物体部分。
Jul, 2012