Jun, 2023

DiffComplete：基于扩散的生成式三维形状补全

PDF
TL;DR提出了一种新的基于扩散的形状完成方法，将形状完成作为一种基于条件的生成任务，并通过分层特征聚合机制和包含性感知融合策略来实现形状完成，从而在形状完成方面取得了最新的技术成果。
diffusion-based approachshape completiongenerative taskhierarchical feature aggregation mechanismoccupancy-aware fusion strategy
发现论文，激发创造
  • SC-Diff：使用潜在扩散模型进行三维形状补全

    本文介绍了一种基于 3D 潜在扩散模型的 3D 形状补全方法，该方法通过交叉注意力和空间特征整合实现以图像为基础的条件和以 3D 特征为基础的条件，以高分辨率、真实感的方式完成形状补全。

    Mar, 2024

  • 概率隐式场景补全

    该研究提出了一种面向大规模 3D 场景连续几何的概率形状完成方法，该方法利用生成细胞自动机学习多模态分布，通过稀疏体素嵌入渐进式生成连续形状，其训练目标最大化完整形状分布的变分下限，并通过实验证明了相比于确定性模型，该方法在几何完成方面的表现更佳。

    Apr, 2022

  • 使用预训练文本到图像扩散模型完成点云

    本文提出了一种名为 SDS-Complete 的方法，该方法利用预训练的文本到图像扩散模型，借助给定不完整点云对象的文本语义获取完整的表面表示，其可以有效地重建通过现实世界深度传感器和 LiDAR 扫描仪捕获的不完整扫描物体，相较于当前方法平均减少了 50％的 Chamfer 损失。

    Jun, 2023

  • SDFusion: 多模态 3D 形状完成，重建和生成

    该论文提出了一种新的框架，用于简化业余用户的 3D 资产生成。这种方法支持多种输入模态，并能够对每个输入的强度进行调整，从而允许用户同时使用不完整的形状、图像和文字描述来生成形状，并提供每个输入的相对权重和互动性。

    Dec, 2022

  • 通过风格调制的生成对抗网络实现多样化的形状补全

    通过引入多样性惩罚和多尺度鉴别器，我们提出了一种新颖的条件生成对抗网络，可以从部分观察到的点云中生成多种多样的合理完整形状，这一方法在尊重部分观测的同时获得了更大的完成多样性。

    Nov, 2023

  • 实现实际 3D LiDAR 场景补全的扩展扩散模型

    使用扩散模型方法在单个 3D LiDAR 扫描中完成场景实现了比最先进的完成场景方法更多细节的场景，为扩散模型应用于场景规模点云数据的进一步研究提供了支持。

    Mar, 2024

  • 多模态形状补全的条件生成对抗网络

    这篇论文提出了一种用多模式条件生成模型进行多维形状补全的方法，能够消除单一输出方法存在的不确定性以获得更多的结果。通过多个数据集的实验，证明了该方法的多样性和质量。

    Mar, 2020

  • ScanComplete: 3D 扫描的大规模场景完成和语义分割

    ScanComplete 采用数据驱动方法，输入不完整的 3D 扫描场景数据，预测出完整的 3D 模型并附带像素级语义标签，主要贡献在于处理空间范围不同的大型场景，并且在完成质量和语义分割性能等方面都显著优于其他方法。

    Dec, 2017

  • 生成性人脸补全

    本文提出一种基于深度生成模型的有效面部完成算法，通过神经网络直接生成缺失区域的内容，并通过重构损失、两种对抗性损失和语义分割损失进行训练，能够处理任意形状的大面积丢失像素并生成逼真的面部完成结果。

    Apr, 2017

  • 通过点 - 体素扩散生成和补全 3D 形状

    本文提出了一种新颖的概率生成建模方法，称为 Point-Voxel Diffusion（PVD），它是一个统一的、概率的公式，用于无条件的形状生成和多模态形状完成。PVD 将降噪扩散模型与 3D 形状的混合点 - 体素表示相结合，并通过优化变分下界来训练（条件）似然函数。实验证明了 PVD 的高保真度合成能力，以及从单视角深度扫描的真实对象中生成多个完成结果的能力。

    Apr, 2021