Jun, 2023

一种图神经网络方法用于时间网格混合和对应

PDF
TL;DR提出了一个自主学习深度学习框架，用于在网格不对应的情况下解决网格混合问题，并使用 Red-Blue MPNN 和图神经网络识别所有权，进一步开发了一个图神经网络，使用运动捕捉数据集和人体网格设计软件，创建了一个大规模的合成数据集，结果表明该方法能够产生逼真的身体部位变形。
发现论文，激发创造
  • 针对动态场景的图注意力网络相机重定位

    我们提出了基于图注意力网络的方法，利用场景三角网格表示来估计动态环境下的图像相机位置，通过三个组件（图神经网络、卷积神经网络和神经网络模型）的端到端训练，结合 RANSAC 算法和点云表示有效地提高了相机位置精度。

    Sep, 2022

  • 基于神经动态网格的人类表现建模与渲染

    本文提出了一种综合的神经方法，用于从密集的多视角视频中重建、压缩和渲染人类表演。该方法桥接了传统的动画网格工作流和一类高效的神经技术，其中包括神经表面重构器和混合神经跟踪器，并实现了各种带宽设置下的从动态纹理到光图渲染的渲染方案，展示了其在各种网格应用和各种平台的逼真自由视点体验中的有效性。

    Sep, 2022

  • 使用图卷积网络的网格引导单次脸部再现

    本文提出了一种使用重建的三维网格作为指导学习复合脸合成所需光流的方法，以便更精确地实现表情和姿势，在定性和定量比较方面优于现有方法，并解决现有方法在单次或少次情况下的身份保护问题。

    Aug, 2020

  • 时空 MLP 图网络用于 3D 人体姿势估计

    提出一种新的空时网络架构，通过加权雅可比特征传播规则实现了图卷积网络在 3D 人体姿势估计上的有效性。

    Aug, 2023

  • 多图卷积网络用于姿态预测

    本文提出了一种基于多图卷积网络 (MGCN) 的三维人体姿势预测方法，该方法结合自然结构和序列注意力，同时捕获空间和时间信息，并在人体运动预测的基准数据集上表现出比现有方法更好的效果。

    Apr, 2023

  • TrackMPNN: 一种用于多目标跟踪的消息传递图神经网络架构

    该研究致力于使用动态无向图和图形神经网络来解决多目标跟踪问题，同时提供了有效的解决方案和建议，证明了使用任何现成的检测器提供的原始边界框就足以在具有挑战性的多目标跟踪数据集上实现有竞争力的跟踪结果。

    Jan, 2021

  • 一种用于预测 3D 网格节点数据的混合 GNN 方法

    介绍了一种基于图卷积的替代模型的混合方法，可以更便宜地进行加工和生成新的数据模拟，实现从网格数据到图或点云结构的转换，通过深度学习预测的结果与有限元方法产生的结果相似，且在生成模拟方面优于现有的 PointNet 和简单图神经网络模型。

    Oct, 2023

  • 深度图匹配一致性

    本文提出了一种基于图神经网络和同步消息传递网络的两阶段神经结构，用于学习和精炼图之间的结构对应关系，并在计算机视觉和知识图谱中的实体对齐方面实现了比当前最先进方法更好的实际效果。

    Jan, 2020

  • 视频中三维手姿和网格估计的时空感知自监督学习

    本研究提出了一种新的训练 3D 手势估计模型的框架，使用自监督学习模型（TASSN）从仅具有 2D 信息的视频中学习，通过强制时间一致性约束，TASSN 可以学习从视频中推断 3D 手势和网格的技能，并且实验证明了该模型的 3D 估计精度与目前最先进的基于 3D 注释的模型在同等级别上，强调了时间一致性在限制 3D 预测模型方面的优点。

    Dec, 2020

  • 三维单目视频多人姿势估计的图形和时间卷积网络

    提出了一种新的框架，将图卷积神经网络（GCNs）和时间卷积神经网络（TCNs）相结合，以强韧地估计无需摄像机参数即可实现相机中心多人 3D 姿态的方法。该方法利用可见关节和骨头信息来估计遮挡或缺失的人体部分信息，并结合使用 GCNs 和 TCNs 的方法。定量和定性评估表明，所提出的方法具有实际应用效果。

    Dec, 2020