多面体表面:基于多面体表面的自监督点云重建
采用基于多面体的图神经网络模型 PolyGNN 对点云进行 3D 建筑重建,通过多面体分解网络学习组合原语,通过图节点分类实现紧密、紧凑和弱语义重构。
Jul, 2023
本文提出一种可扩展且健壮的方法,通过多视点三维立体点云计算三维表面网格,能够处理点密度极大跳跃,用于提取表面假设和合并表面假设,具有卓越的精度和完整性。
May, 2017
本文提出了一种基于深度学习的点云局部三维形状属性估计方法 PCPNet,采用基于 patch 的学习方法,结合多尺度编码,能在强噪声和多尺度特征的情况下更好地估计法线及曲率等局部形状信息。我们的方法在结构化三角网格训练数据上训练,可以在处理噪声点云时得到比现有技术更好的结果,并成功在形状重构方面得到应用。
Oct, 2017
提出了一种使用点云数据结构将网格数据转换为更高维度表示的方法,其中每个平滑部分表示特定的像素位置,通过在具有更高细节的区域密集采样所构建的高曲面上获得密集的点云,该方法在公开的脑瘤数据集上实现了显着的改进,可从原始图像中提取错综复杂的细节,开辟了先进的图像分析和处理任务的新可能性。
May, 2023
一种基于学习的视可见性面重建方法,使用 3D Delaunay 四面体化及基于图神经网络的分类方法识别点云中缺陷区域并生成表面模型的能量模型,以局部几何和视线可见性信息学习能见度模型,结合深度学习和能量模型的优点,优于当前公开的基于学习和非学习的表面重建算法。
Jul, 2021
使用 Transformer 从带有噪声和密度变化的点云中准确预测法线,在合成形状数据集 PCPNet 和真实世界室内场景数据集 SceneNN 上实现了最先进的性能,表现出更强的抗噪性和显著更快的推理速度,同时证明了现有工作中的复杂手工设计模块在表面法线估计任务中并非必需。
Jan, 2024
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
本论文中,我们提出了基于约束隐式代数曲面和深度神经网络的方法,以实现对高复杂度 3D 形状的更准确重建和分割,相较于现有单 RGB 图像 3D 形状重建技术,该方法表现出更强的表现力和性能,可无监督地进行学习。
Aug, 2021