神经递进网格
本文介绍了神经细分,这是一种新的数据驱动的从粗到细的几何建模框架。在推断期间,我们的方法将粗三角网格作为输入,并通过应用固定拓扑更新的 loop 细分来递归细分它以获得更好的几何结构,但使用一个基于补丁的局部几何的神经网络来预测顶点位置。我们的方法使我们能够学习复杂的非线性细分方案。
May, 2020
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
本文提出了一种基于图卷积的自适应分裂启发式方法,利用几何对象的图表示的附加结构来提高重建,优化本地表面和全局结构,应用于 ShapeNet 数据集的 3D 物体重建任务中,生成了具有最先进表现的自适应网格。
Jan, 2019
本研究提出了一种名为 MeshNet 的 Mesh 神经网络,用于从 Mesh 数据中学习 3D 形状表达,并应用于 3D 形状分类和检索任务,并通过与其他方法的比较,证明了该方法的有效性。
Nov, 2018
通过自然语言描述生成三维物体的文本到三维生成技术,采用多尺度三面网(Multi-Scale Triplane Network)和新的渐进学习策略,有效地恢复细节并高效优化大尺寸三维输出,为自动三维原型制作提供了可能。
Sep, 2023
在处理 3D meshes 方面,Laplacian spectral analysis 和 Mesh Pooling Blocks(MPBs)的结合可以更好地处理表面的局部池化和全局信息聚合,并使用 Correlation Net 计算相关矩阵来进行形状分割和分类,模型表现优良。
Oct, 2019
本文提出了一种基于可变四面体网格的扩散模型,用于生成具有细粒度几何细节的 3D 网格,以适用于自动场景生成和物理模拟等各种应用。
Mar, 2023
本文介绍了一种基于神经网络的多边形网格渲染方法,该方法使用了一种近似梯度来克服离散化操作的限制,从而实现了单幅图像的 3D 网格重建。同时,该方法还实现了基于 2D 监督的 3D 渲染编辑操作。实验结果表明,所提出的渲染器有效性强。
Nov, 2017