Aug, 2023

DPF-Net: 基于可形变原始场的显式形状先验相结合的无监督三维物体结构重建

PDF
TL;DR我们提出了一种基于新的可变形基元场（DPF）表示的名为 DPF-Net 的新型无监督结构重建方法，该方法能够使用参数化的几何基元进行高质量的形状重建。我们设计了一个包含原始生成模块和原始变形模块的两阶段形状重建流程，逐步逼近每个部分的目标形状。实验结果表明，我们的 DPF-Net 在结构重建和形状分割方面具有有效性和广泛适用性。
发现论文，激发创造
  • DTF-Net: 通过可变形模板场进行类别级姿态估计与形状重建

    DTF-Net 是一种基于物体类别的隐性神经场方法，通过设计可变形模板场、姿态回归模块和多模态表示提取模块，实现了场景中物体的姿态估计和形状重建，并通过 REAL275 和 CAMERA25 数据集的实验证明了其在综合环境下的出色性能以及对机械臂抓取任务的有效支持。

    Aug, 2023

  • Deformed Implicit Field：学习稠密对应关系建模三维形状

    本论文提出了 Deformed Implicit Field (DIF) 表示法来建模 3D 物品的形状，实现物品之间稠密的对应关系。DIF-Net 神经网络通过学习一个特定类别的物品的形态潜在空间和这些物品的 Deformation Field 来实现对应关系的建立以及对物品形状差异的度量，还考虑了材质和形状编辑等应用。

    Nov, 2020

  • 在统一的视觉模态上将扩散概率场扩展至高分辨率

    提出了一种新的模型，该模型结合了以视图为基础的采样算法和额外的指导信息，例如文本描述，用于细节结构学习，使得模型能够扩展到高分辨率数据，统一多种模态下的视觉内容生成。实验结果证明了模型的有效性，以及其作为可伸缩性模态统一视觉内容生成的基础框架的潜力。

    May, 2023

  • 扩散概率场

    本文介绍了一种新的扩展 Diffusion probabilistic models 方法的方法 Diffusion Probabilistic Fields (DPF), 可用于在度量空间中学习定义为连续函数的概率分布，通过将场参数化作为一种显式形式来解决以前方法的问题。与以前的方法相比，DPF 在处理 2D 图像、3D 几何等不同模态以及定义在非欧几里德度量空间上的领域上的分布时表现出色。

    Mar, 2023

  • 三维点云的几何基元有监督拟合

    本文提出一种神经网络模型（Supervised Primitive Fitting Network），此模型可以不需要用户干预就能够探测并鲁棒地拟合不同尺度和数量的几何体。相比于已有的 RANSAC-based 方法，该模型在测试中表现更好。

    Nov, 2018

  • DPA-Net: 通过可区分的原始装配从稀疏视角实现的结构化 3D 抽象

    通过可微分的渲染框架，在不需要 3D 监督的情况下，从稀疏的 RGB 图像中学习结构化的三维抽象，以原始组件的形式捕获三维物体，并且通过引入差异化的原始装配，输出三维占据场作为密度预测的替代，以提高精度和紧凑性。

    Apr, 2024

  • 基于拓扑感知的变形场单视图三维重建

    无需对齐的图像集合，基于拓扑意识的隐式形变场的学习、随后进行形状重构，该方法名为 TARS，在多个数据集中均取得了最先进的重构精度 (ShapeNet, Pascal3D+, CUB, and Pix3D chairs)。

    May, 2022

  • 基于射线的形状表示的概率定向距离场

    在现代计算机视觉中，3D 形状的最佳表示仍然是任务依赖的。本文介绍了一种新颖的神经形状表示 —— 有向距离场（DDFs），以及使用 DDFs 在多个应用领域的应用，包括单形状拟合、生成建模和单图像 3D 重建。DDFs 具有高效的可微分渲染能力，并能从单个像素的前向传递中获得深度以及从额外的反向传递中提取微分几何量（如表面法线），展现出了简单架构组件的强大性能。

    Apr, 2024

  • 基于距离场的深度参数化形状预测

    该论文提出了使用深度学习对参数化形状基元进行预测的新框架，并使用距离场在像素网格上在控制点和输入数据之间进行转换，展示在二维和三维任务中，包括字体矢量化和表面抽象。

    Apr, 2019

  • PR-NeuS：一种基于先验的残差学习范例，用于快速多视角神经表面重建

    通过引入基于先验的残差学习范式以及哈希编码网络，提出了一种快速多视角神经表面重建方法，实验结果表明仅需约 3 分钟即可重建单个场景的表面，同时保持了竞争性的表面质量。

    Dec, 2023