自适应局部基函数形状完成

Jul, 2023

Adaptive Local Basis Functions for Shape Completion

Hui Ying, Tianjia Shao, He Wang, Yin Yang, Kun Zhou

TL;DR本文针对使用深度隐式函数从部分点云中完成 3D 形状的任务进行研究，利用自适应本地基函数，提出了一种局部对局部形状完成框架，该算法能够在完成过程中保留局部几何细节并且比现有方法都有着更好的表现，同时也具有更好的泛化能力和性能。

Abstract

In this paper, we focus on the task of 3d shape completion from partial point clouds using deep implicit functions. Existing methods seek to use voxelized basis functions or the ones from a certain family of func

3d shape completion deep implicit functions adaptive local basis functions local-to-local shape completion detail preservation

发现论文，激发创造

三维形状重建和完成的特征空间中的隐式函数

本文提出了一种名为 IF-Nets 的新模型来解决从不同类型的三维输入中恢复和补全三维物体的问题，IF-Nets 可提取深度特征，保留输入数据中存在的细节，并可以重建活动的人体模型。实验证明 IF-Nets 在 ShapeNet 中的三维物体重建和人体重建方面明显优于以往的工作。

Mar, 2020

通过深度基函数拟合实现深度完备

本研究提出了一种图像引导深度补全的方法，利用深度学习的技术和经典的优化算法，将常见深度补全网络中的最后一层 $1 imes 1$ 卷积替换成最小二乘拟合模块，将隐式深度基于给定的稀疏深度测量进行权重计算，同时我们还将该方法自然地推广到多尺度形式以提高自监督训练的性能，在多个数据集上的实验证实相比基准方法，本方法能够在小型计算量的情况下实现良好性能。

Dec, 2019

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

利用本地深度隐函数对 LiDAR 数据进行语义场景补全

本文提出了一种新型的场景分割网络，基于本地 Deep Implicit Functions 的方法，用于语义场景补全，并将其在经过语义注释的 LiDAR 扫描上验证了其性能的优越性。

Nov, 2020

使用潜在优化的点云高保真语义形状补全

通过基于学习的方法，利用生成建模和潜在流形优化来完成不完整的三维形状，我们的算法直接处理点云数据，成功地重建了在没有依赖基于示例数据库的检索的情况下大缺失区域的点云。

Jul, 2018

LISR：利用紧致支持径向基函数学习线性三维隐式曲面表示

从部分和嘈杂的三维点云扫描中隐式三维表面重建是经典的几何处理和三维计算机视觉问题。本文提出了一种基于局部支持紧致径向基函数的线性隐式表面表示，并通过使用带标记距离场 (SDF) 数据进行监督学习，学习了物体的三维表面的线性隐式形状表示。所提出的方法在基准数据集上实现了更好的 Chamfer 距离和可比较的 F-score，并通过应用于三维形状完成任务展示了其有效性。

Feb, 2024

具有质量感知形状补全的鲁棒三维跟踪

通过形状补全方法构建稠密而完整的点云目标表示，从而实现鲁棒的三维跟踪，并借助体素化的关系建模模块和框精炼模块提高跟踪性能。

Dec, 2023

基于体素的网络，通过利用边缘生成进行形状补全

本文介绍了使用基于体素的网络和边缘生成（VE-PCN）来实现点云补全的方法，该方法采用多尺度网格特征学习来生成更真实的表面细节，并在公开数据集上进行了评估，表现优于现有的最先进方法。

Aug, 2021

学习隐式函数以实现拓扑变化的稠密三维形状对应

本文旨在以无监督的方式学习拓扑变异物体的密集三维形状对应关系，引入了一种新的隐式函数，该函数为每个三维点生成一个部分嵌入向量，实现对点的密集对应，通过面向部分的逆函数将部分嵌入向量映射到对应的三维点上，结合几个有效的损失函数进行联合学习。在推断期间，用户选择源形状上的任意点时，算法可以自动生成相应点的置信度分数和语义点，有效提升人造物体的形状分割及无监督三维语义对应。

Oct, 2020

ShapeFormer：基于 Transformer 和稀疏表示的形状补全

ShapeFormer 是一个基于 transformer 的网络，它可以在给定不完整和可能带有噪声的点云的情况下生成物体完成的分布，通过采样分布，可以生成类似于输入的可能完成物体，我们引入了一种紧凑的 3D 表示方法 —— 向量量化深度隐式函数，它利用空间稀疏性将 3D 形状的近似表示成短序列的离散变量，实验表明，ShapeFormer 在处理不完整的输入情况下的物体形状补全问题上性能优于先前的方法。同时，我们还展示了我们的方法可以有效处理各种不同形状类型，不完整的输入模式和真实世界的扫描数据。

Jan, 2022