基于跨模态迁移网络的不确定性感知的基于手绘的3D形状检索
一种从2D线描图中重建三维形状的方法,采用深度编码器-解码器网络将线描图转换为点云,通过多视角深度图和法线图的融合优化得到点云,在维持拓补和形状结构的同时比容积网络具有更高的重建精度和输出表面分辨率。
Jul, 2017
我们提出了一种数据驱动方法,利用卷积神经网络 (CNN) 从一个或多个涂鸦中学习重建 3D 形状,为用户提供最初的 3D 重建并可以通过应用更新器 CNN 来迭代更新和融合多视角信息,从而实现自由的位图创作和多视角草图建模之间的连续转换。
Jul, 2017
本文提出了一种基于深度卷积神经网络的新颖的跨模态适应模型形成方法,其中采用度量学习和对抗学习方法来对2D手绘图和3D物体进行信息的迁移和转化,能够有效提高物体检索的结果。
Jul, 2018
使用基于概率推理的重建框架,探索了基于不同形状表示和适当的学习架构的端到端学习策略,从而实现了从单个图像推断三维形状。通过我们的Probabilistic Reconstruction Networks,使用基本的体素网格表征,实现了在ShapeNet数据集上的新的交集和移动距离评估指标的最新成果。
Aug, 2019
本文利用强化学习设计了一种画笔子集选择器,用于减少噪声干扰,提高图片检索的效率,相比现有算法有了8%-10%的性能提升,成为了业内的新标杆,并且展示了该选择器可以用于多种人工智能应用中。
Mar, 2022
本研究探讨了预训练的ViT和ResNet特征层在量化个体三维形状的二维草图视图之间的相似性方面的能力,并使用对比学习细化预训练模型,研究所选微调策略如何影响零样本形状检索准确性,提供洞察和指导采用大规模预训练模型作为感知损失的研究。
Jun, 2023
通过构建先验库和分析输入和先验之间的相关性,本文提出了一种弱监督框架来从未见过的类别中重建完整的3D形状,并通过自监督形状细化模型进一步改进了粗糙形状,实验证明我们的方法明显优于现有方法。
Jan, 2024
通过自我监督渲染,PICASSO提出了一种从手绘或精确草图图像中进行CAD草图参数化的新框架。该框架利用草图的几何特性作为学习线索,从而实现了即使在参数级别缺乏注释的情况下,也能够从精确或手绘的草图图像中学习参数化CAD草图。
Jul, 2024