Jul, 2023

变分点编码变形用于牙齿建模

PDF
TL;DR数字牙科学在近年取得了重要进展，然而仍有许多待解决的挑战。本研究发布了一个新的牙齿网格数据集，以促进进一步的研究。此外，我们提出了变分 FoldingNet (VF-Net)，它扩展了 FoldingNet 以实现对点云表示的概率学习。现有的点云潜变量模型面临着一个关键挑战，即输入点与输出点之间缺乏一对一映射。通过适当的编码器，我们证明了显式最小化 Chamfer 距离可以取代 Chamfer 距离的优化，从而提高计算效率并简化概率扩展。我们的实验结果表明，VF-Net 在牙齿扫描重建和外推方面的性能优于现有模型，并突显了 VF-Net 潜在表示的鲁棒性。这些结果显示了 VF-Net 作为点云重建和分析的一种有效可靠方法的有希望前景。
digital dentistrytooth meshesvariational foldingnetlatent variable modelsdental scan reconstruction
发现论文，激发创造
  • FoldingNet：利用深度网格变形的点云自编码器

    本文提出了一个新的端到端深度自编码器来解决点云上无监督学习的挑战，其中在编码器端强制进行了基于图的增强以促进 PointNet 的局部结构，并且通过新颖的基于折叠的解码器将一个规范化的 2D 网格变形到点云的底层 3D 对象表面上，从而实现了低重建误差。

    Dec, 2017

  • 变分自编码器用于形变三维网格模型

    本文介绍了一种基于神经网络和自动编码器的新型框架 —— 网格变分自编码器来研究分析具有形变的 3D 网格，通过在概率潜空间中探索 3D 表面，既可以代表 3D 动画序列，也可以代表同一类别的对象集合，具有大规模非线性形变的多样形状，广泛的实验表明我们的方法可以实现不同的形状性能，如形状生成、形状内插，形状空间嵌入和形状探索，取得了超越最先进方法的结果。

    Sep, 2017

  • 学习自由形变，用于三维物体重建

    本文提出了一种基于自由形变（FFD）的学习方法，用于从单个图像中重建 3D 形状，实现了细节几何信息的精确编码，并在点云和体积度量方面取得了最先进的结果，同时展示了其在 3D 语义分割中的应用。

    Mar, 2018

  • Pointfilter: 基于编码器 - 解码器建模的点云过滤

    本文提出了一种新的深度学习方法，通过去除噪声并保持尖锐特征，自动而又稳健地过滤点云，其点对点的学习架构由编码器和解码器组成，并在视觉质量和数量误差指标方面均优于现有深度学习技术。

    Feb, 2020

  • 学习可微同构配准的概率模型

    提出了一种基于概率的低维形变模型，可用于图像配准和形变分析，具有对比形变、生成正常或病态形变的能力，以及在多种图像对之间传输形变的能力。在三维心脏 Cine-MRIs 上的实验结果显示出本方法目前显示了最先进的性能。

    Dec, 2018

  • 变分关系点补齐网络

    本文提出了一种基于变分框架的点云重建方法 (Variational Relational point Completion network - VRCNet)，该方法采用了概率建模和关系增强技术实现点云的精细局部重建，同时给出了一个包含 10 万多个高质量扫描的多视角局部点云数据集 (MVP 数据集)，实验证明 VRCNet 在标准点云重建基准上的性能优于目前的最先进方法，并且在真实世界点云扫描中表现出了很好的泛化性和鲁棒性。

    Apr, 2021

  • 变分关系点补全网络用于稳定的 3D 分类

    本文提出了一种基于变分关系点补全网络（VRCNet）的框架，采用概率建模和关系增强技术，实现对不完整点云进行准确重建，并达到对部分点云进行 3D 分类和模型识别的目的。

    Apr, 2023

  • 利用点云变形网络对 3D 心脏收缩和舒张进行建模

    我们提出了点云变形网络（PCD-Net）作为一种新颖的几何深度学习方法，用于模拟心脏循环极端端点之间的三维心脏收缩和舒张过程。我们对来自英国生物库研究（UK Biobank study）中超过 10,000 例数据集进行评估，发现预测值与实际解剖结构之间的平均 Chamfer 距离小于图像获取的像素分辨率。此外，我们观察到预测值与实际群体之间的类似临床指标，并且证明了 PCD-Net 能够成功捕捉正常受试者和心肌梗死（MI）患者之间的亚人群特异性差异。然后，我们证明了学习到的三维变形模式在预测患有 MI 的面前 MI 检测和潜在 MI 预测任务方面优于多个临床指标，对于 MI 生存分析的 Harrell's concordance 指数提高了 7%。

    Jul, 2023

  • PCRNet: 使用 PointNet 编码的点云配准网络

    该论文提出了一个新框架，利用 PointNet 表征对齐点云和执行注册，以实现跟踪，3D 重建和姿态估计等应用，能够根据点云的形状信息生成特定形状或通用的方法，并具有噪声和数据初始化错位的鲁棒性。

    Aug, 2019

  • 一种框架以注册它们所有: PointNet 编码用于点云对齐

    本文提出了一种新的基于 PointNet 编码的点云对齐和配准框架，避免了 ICP 等流行配准方法中的计算昂贵的对应点搜索步骤，适用于 3D 重建、跟踪和姿态估计等应用，能够处理噪声、初始错位以及粗糙点云，并通过大量模拟和真实实验验证了算法的有效性和性能优势。

    Dec, 2019