Aug, 2023

VoroMesh：使用 Voronoi 图学习无漏网面

PDF
TL;DR使用 VoroMesh 作为一种基于 Voronoi 的表示方法，可以有效地生成学习用途的三维形状表面，并且在几何效率和闭合输出方面优于传统的基于网格的算法和最新的基于学习的网格表示方法。
3d surfacespolygon meshesvoromeshvoronoi-based representationlearning-based mesh representations
发现论文，激发创造
  • VoronoiNet: 具有局部支持的通用函数逼近器

    本研究提出一种新的深度网络结构，可以将可微分的 Voronoi 图嵌入到生成式深度网络中，从而实现高度紧凑的潜在编码，用于进行各种形状的 2D/3D 重建，同时与最近提出的隐式占据网络进行了比较。

    Dec, 2019

  • 学习可变形四面体网格用于 3D 重建

    介绍 Deformable Tetrahedral Meshes (DefTet) 作为一种特殊的参数化，利用容积四面体网格用于重建问题，该方法可以同时达到高精度、容积、可学习神经架构，并且可以产生比替代容积方法小得多的网格大小的高保真重建。

    Nov, 2020

  • 利用几何度量实现网格不变的三维生成深度学习

    该论文提出了一种可以处理不同参数化的、基于核的计量的网络架构，可以用于人脸的生成学习任务。

    Jun, 2023

  • 分割与匹配：通过结构感知的 Voronoi 分区学习 B-Reps

    我们介绍了一种新的方法来获取 3D CAD 模型的边界表示（B-Reps），这涉及两个步骤：首先应用空间划分，称为 ``拆分 ''，然后通过`` 拟合 '' 操作在每个划分内导出一个单一的基元。我们的划分旨在产生一组地面真值（GT）B-Rep 基元的经典的 Voronoi 图；我们的方法采用自上而下的结构感知方式，能够明确显示基元的数量和连接关系。我们设计了一个神经网络，通过二进制分类从输入点云或距离场预测 Voronoi 图。我们展示了我们的网络 NVD-Net（神经 Voronoi 图）可以有效地从训练数据学习 CAD 模型的 Voronoi 划分，并具有更好的泛化能力。广泛的实验和评估表明，与现有的替代方法相比，所得到的由参数曲面，曲线和顶点组成的 B-Reps 更加合理，重建质量有了显著的提高。代码将在此 https URL 上发布。

    Jun, 2024

  • MeshDiffusion：基于评分的生成式 3D 网格建模

    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

  • 神经体积网格生成器

    本文提出了一种名为神经体维网格生成器的神经网络模型，可以从随机噪声或参考图像中生成高质量的三维网格结构，并且通过比较实验，证明了这种方法在使用体素作为输入时相对于其他最先进的方法更具有稳健性，并且拥有更好的性能。

    Oct, 2022

  • 鬼于外壳：一种对一般三维形状进行表达的富有表现力的方式

    创建逼真的虚拟世界需要对广泛对象的三维表面几何进行准确建模，我们提出了一种名为 G-Shell 的新表示方法，通过定义一个流形符号距离场在完全密封的模板上对开放表面进行参数化，实现了多视图图像重建和非完全密封网格的生成建模。

    Oct, 2023

  • 可微分的曲面三角剖分

    提出了可微分的表面三角形网格化算法，基于加权德劳内三角形的软松弛，并通过优化顶点和边界约束来拟合目标曲面，成功地解决了现有网格处理和优化技术在连续体上的局限性。

    Sep, 2021

  • 基于体素数据的三维网格模型生成

    本研究介绍了一种新的体系结构，可实现直接从三维图像体积转换为三维表面，无需后处理并具有比当前方法更好的准确性，证明其优于最先进的分割方法。

    Dec, 2019

  • Image2Mesh: 单张图像三维重建的学习框架

    本文提出了一种使用基于网格的表示来捕捉三维重构任务中的细粒度几何信息的学习框架，它使用自由形变和稀疏线性组合的紧凑网格表示来重建三维物体，相比之前的工作，我们不依赖于轮廓和标记来进行三维重建，并在合成和真实数据集上进行了很有前途的实验结果验证。

    Nov, 2017