Oct, 2023

DORec: 利用 2D 无监督特征的分解对象重建

PDF
TL;DR本研究提出了基于神经隐式表示的 Decomposed Object Reconstruction (DORec) 网络，通过转换 2D 自监督特征为两个粒度级别的蒙版来监督分解，包括指示前景区域的二进制蒙版和指示语义相似区域的 K 聚类蒙版，这两个蒙版互补并能在各种数据集上优秀地分割和重构前景目标。
decompositionobject reconstructionself-supervised learningneural implicit representationssegmentation
发现论文，激发创造
  • DO3D: 自监督学习单目视频的分解目标感知 3D 运动和深度

    提出了一种自监督方法，可以从单目视频中联合学习 3D 运动和深度。通过利用深度和运动网络相互协作来准确建模现实场景的几何和动态，进而改进了深度估计和 3D 动作估计的性能。

    Mar, 2024

  • AutoRecon：三维物体自动发现与重建

    本文介绍了一种名为 AutoRecon 的新型框架，该框架利用自我监督的 2D 视觉转换器功能，通过多视图图像自动发现和重建对象，并使用分解的神经场景表示进行密集监督，从而实现了准确的对象重建和分割。

    May, 2023

  • 从单个 RGB 图像学习无监督 3D 物体的分层部件分解

    该研究提出了一种新的方法，可以同时恢复 3D 对象的几何形状和基于部分的分解，以及它们之间的潜在层次结构，实验证明考虑部分的组织确实有助于推理三维几何。

    Apr, 2020

  • 多人动作捕捉的神经场景分解

    本文提出一种基于自监督学习的神经场景分解（NSD）方法，通过对多视角数据的学习，用三层信息表示人体姿态，其中包括边界框和相对深度，实例分割掩码和个体化外观信息以及 3D 姿态信息，该方法能够为小规模数据集训练 3D 姿态估计网络提供帮助。

    Mar, 2019

  • 使用归一化切割的自监督 Transformers 进行无监督目标发现

    本文提出了一种基于自监督学习训练的 Transformer 模型特征的基于图的对象发现方法，在图中进行规范化的图割以分组具有相似性区域的前景物体。该方法可以显著提高无监督对象发现的性能，也可以扩展到无监督凸显性检测和弱监督对象检测领域。

    Feb, 2022

  • 对比重构中的无监督部件发现

    本研究提出了一种非监督学习方法来发现和分割物体部分，通过像素级别的图像重建配合先前任务的代理目标，得到了一种更有意义的部分分解方法，优于现有的三个基准数据集，提供了一种一致的、可视化的物体语义部分表示。

    Nov, 2021

  • 自监督单目深度的语义引导表示学习

    本文研究自监督学习中如何直接运用语义结构来指导几何表示的学习，提出了一种新的基于预训练语义分割网络和像素自适应卷积的架构，并使用两阶段训练过程来克服动态对象上的常见语义偏差。结果表明该方法在所有像素、细节和语义类别上都优于现有方法，实现了自监督单目深度预测的最新水平。

    Feb, 2020

  • 通过自监督学习从无标签 RGB-D 视频中学习物体分割

    该论文提出了一个自超视自学的物体分割系统，其训练过程利用了点云的超分割结果，利用图匹配算法和点云配准结合检测出 3D 假标签上的再现物体模式并生成 2D 掩码。实验证明，该方法在真实和合成的视频数据集上的表现优于现有的无监督方法。

    Apr, 2023

  • 无监督图像分解成物体原型分层处理

    我们提出了一种用于将图像分解为自动发现的对象模型层的无监督学习框架，其中包含可学习的对象原型、参数化函数、图像形成模型等组成部分，尝试实现对真实图像进行对象分类和实例参数辨识的目标，并在多个标准数据集上验证了其有效性。

    Apr, 2021

  • 总体分解：最小交互下的三维场景重建

    该研究论文提出了一种名为 Total-Decom 的方法，使用少量人工干预实现了 3D 场景的精确重建和实时控制，通过结合 Segment Anything Model (SAM)、混合隐式 - 显式神经表面表示和基于网格的区域生长技术实现了准确的 3D 对象分解。

    Mar, 2024