Jul, 2023

室内场景的凸分解

PDF
TL;DR描述了一种将复杂、混乱的室内场景解析为简化的基本结构的方法。这种方法使用学习回归过程将场景从 RGBD 输入解析为固定数量的凸多边形，并可以选择性地接受分割以改善分解。然后使用下降方法调整凸多边形以获得很好的拟合度，并贪婪地去除冗余的基本结构。因为对整个场景进行了解析，所以可以使用传统的深度、法线和分割误差指标进行评估。评估过程表明，我们的基本结构表示的误差与从单个图像预测深度的误差相当。
indoor sceneprimitivesabstractionconvexesrgbd input
发现论文，激发创造
  • 改进的凸分解与集成和布尔基元

    通过引入少量负相关基元和利用集成方法来改进几何重构和修复过程，从而显著提高描述场景的准确性。

    May, 2024

  • 室内场景的完整三维模型预测

    本文提出了一种基于数据驱动的方法解释室内场景，并利用 CAD 3D 模型表示场景中的物体和墙壁布局，最终在 NYU 数据集上呈现了令人鼓舞的结果。

    Apr, 2015

  • 针对室内 RGB-D 重建的几何和纹理的高效基于平面的优化

    我们提出了一种基于平面基元的 RGB-D 室内场景重建新方法，通过适应平面构建整个场景的低多边形网格，保留原始场景的几何细节和锐利特征并生成清晰的面纹理，相较于现有方法更有效的从 RGB-D 数据生成纹理网格。

    May, 2019

  • 从单个 RGB 图像学习无监督 3D 物体的分层部件分解

    该研究提出了一种新的方法，可以同时恢复 3D 对象的几何形状和基于部分的分解，以及它们之间的潜在层次结构，实验证明考虑部分的组织确实有助于推理三维几何。

    Apr, 2020

  • SuperPrimitive：场景的基元级重建

    从一组图像或单目视频中联合估计相机姿态和密集几何，由于其计算复杂性和固有的视觉歧义，仍然是一个具有挑战性的问题。我们通过一种新的图像表示方法 ——SuperPrimitives 来解决这个问题，这些 SuperPrimitives 是通过将图像分割为语义相关的局部区域并利用最先进的单幅图像神经网络预测的表面法线方向来增强的。这提供了每个 SuperPrimitive 的局部几何估计，而它们的相对位置则根据多视角观察进行调整。我们通过解决深度补全、少视角的结构运动和单目密集视觉里程计三个三维重建任务展示了我们新表示方法的多功能性。

    Dec, 2023

  • 3D 场景抽象的鲁棒形状拟合

    通过神经网络引导的 RANSAC 估计器拟合基本几何体，提供更有意义的场景抽象并减少推理时间，成功地将拥挤的真实世界三维场景布局抽象化。

    Mar, 2024

  • 可微分积木世界：基于图元渲染的定性三维分解

    本研究提出一种基于图像的方法，通过对纹理强的 3D 原语进行优化，得到了简单、紧凑且具有操作性的 3D 世界表示，并比较了该方法与现有方法在真实场景中的表现。

    Jul, 2023

  • 室内语义分割使用深度信息

    采用多尺度卷积神经网络直接从图像和深度信息中学习特征实现室内场景的多类别分割，并在 NYU-v2 深度数据集上取得了 64.5% 的准确率，充分说明了适当的硬件（如 FPGA）可以实现实时处理。

    Jan, 2013

  • 通过一张单视角图像的分治法进行通用三维场景重建

    通过分而治之的策略，我们提出了一种混合方法来实现从单张图像中完整重构复杂的 3D 场景，通过整体场景处理，提取深度和语义信息，然后利用单次拍摄的物体级方法对各个组件进行详细重建。

    Apr, 2024

  • 室内场景实时渐进式 3D 语义分割

    本文提出了一种高效而健壮的技术，实现了 3D 室内场景的即时密集语义分割和重建，该方法基于高效的超体素聚类方法和来自结构和对象线索的高阶约束的条件随机场，无需预先计算即可进行渐进式密集语义分割。通过对 SceneNN 和 ScanNet 数据集中的不同室内场景进行广泛评估，证明了该技术在定性和定量实验中始终能够产生最先进的分割结果。

    Apr, 2018