利用 SE(3)等变性学习 3D 几何形状装配
在本文中,我们提出了一种方法,用于准确的相对位置预测,该方法在少量演示数据上可学习,可以跨对象类别变化进行泛化,并通过证明具有 SE (3) 等变性来解决此问题。
Apr, 2024
这篇论文提出了一种基于自监督学习的方法,通过部分等变形状分析提取规范形状和物体姿态,再通过刚性变换描述部件从规范空间到相机空间的转换,实现未知关节感知物体的层次化姿态估计。
Feb, 2023
该研究提出了一种使用 SE (3) 等变特征进行刚体分割和运动估计的无监督学习方法,大大提高了模型效率和性能,并在四个数据集上进行实验证明了其有效性。
Jun, 2023
从二维图像中学习关于三维世界的知识是计算机视觉中的一个基本问题,本文提出了一种学习三维表示的算法,满足几何一致性约束,并在三个姿态预测任务中取得了 SOTA 结果。
Jul, 2023
该研究提出了一个基于自监督学习框架和 SE (3) 等变点云网络的类别级别物体位姿估计方法,可在没有真值姿态注释、CAD 模型和多视图监督的情况下,从单独的 3D 点云中进行类别级别的六自由度物体位姿估计, 并在多个基准测试上验证了该方法的有效性。
Oct, 2021
本文介绍了一种将参数化人体模型适应于点云数据的新方法 ——ArtEq。通过使用基于部分的 SE(3)- 等变神经结构来完成 SMPL 模型对点云的估计,并通过对等变姿态回归模块进行改进来实现对训练过程之外的姿态的泛化能力的提升。在实验中,ArtEq 方法的表现比同类方法提高了 74.5%,并且速度快了三个数量级。
Apr, 2023
本文提出了一种简单但有效的无监督学习方法,结合自一致性和交叉一致性约束,并将尽可能刚性形变集成到训练循环中,以学习体态模型中的形状和姿态空间,并演示了学习表示的实用性,包括姿势转移和形状检索,实验证明了该方法的通用性。
Jul, 2020
本文利用李群的表示理论构建了新的 SE (3) - 等变能量模型,允许高样本的端到端学习。我们证明这些模型可以从头开始学习,但具有很高的样本效率,并且可以推广到具有不同要求的任务中。
Jun, 2022