GridPull:针对从3D点云中学习隐式表示的可扩展性
此篇论文介绍了一种新的自回归模型PointGrow,它可以通过自回归的方法并结合自注意力机制,从语义上下文条件或无条件生成多样而逼真的3D点云数据,可应用于非监督特征学习和形状算术操作等多个重要应用领域。
Oct, 2018
本研究提出了一种基于射线场探测技术的隐式表面的学习方法,以及一种泛函约束方法,用于无需三维监督的三维形状推断。实验表明,在单视角基础上,使用我们的方法从图像中重建三维模型,无论是定量还是定性上都优于现有技术。
Nov, 2019
本文介绍了一种新的方法Neural-Pull,利用神经网络简单且高质量地学习表面的符号距离函数,通过网络本身计算的符号距离值和查询位置的梯度来训练神经网络。在广泛使用的基准测试下,我们的结果优于现有最先进的方法,展示了对表面重建和单张图像重建可以更准确和灵活地学习符号距离函数。
Nov, 2020
本文提出了一种用于改进神经隐函数 3D 表示中采样和正则化的混合模型,利用 iso-points 作为神经隐函数的显式表示,使训练时能够实时计算并更新采样点,以捕获重要的几何特征和优化几何约束,提高重建质量和拓扑准确性。实验结果表明,相比现有方法,该方法可以更快地收敛、更好地泛化、更准确地恢复细节和拓扑结构。
Dec, 2020
本文介绍了一种名为AIR-Nets的注意力隐式表示网络, 用于从点云中重建3D形状。通过利用局部和模块化表示3D形状, AIR-Nets将输入点云编码为一组锚定在3D空间中的局部潜在向量,并具有全局潜在描述,以实现全局一致性。该模型是第一个基于编码器的无棱柿函数的局部描述方法。经验证明,该模型在ShapeNet数据集上显着优于以前的最先进的编码器-隐式形状学习方法,并在稀疏设置中表现优异。此外, 该模型还具有简单运行机制与稀疏潜在表示形式,未来有多种激动人心的研究方向。
Oct, 2021
研究提出了一种使用点云卷积和在每个输入点计算潜在向量的方法,然后进行最近邻的基于学习的插值。实验结果表明,该方法在大多数经典指标上明显优于其他方法,生成更精细的细节并更好地重建了更薄的体积。
Jan, 2022
本文介绍一种利用神经网络编码局部上下文先验(surface reconstruction from point clouds)的方法。具体来说,我们先为大规模点云训练局部上下文先验,然后通过学习预测查询来为每个特定的点云定制先验,从而实现针对不同点云的全局重构。实验结果表明,该方法在单个形状或复杂场景的表面重建方面显著优于现有技术。
Apr, 2022
本文提出了一种从大规模、稀疏且带噪声的点云中重建三维隐式表面的新方法,采用神经内核场(NKF)表示法,通过紧凑支持的核函数扩展规模,利用内存高效的稀疏线性求解器进行计算,并采用梯度拟合求解方法来提高抗噪性能,同时还最小化了训练要求,能够处理不同尺度物体和场景混合训练数据的情况。该方法能够在几秒钟内重建数百万个点,并能够处理非常大的场景。该方法在由单个物体、室内和室外场景组成的重建基准测试中取得了最先进的结果。
May, 2023
通过在正规网格特征和离散点特征之间引入高效的点-网格变换机制,以及采用边界优化策略,本文提出的方法有效地提升了三维表面重建的精度和准确性。
Jan, 2024