室内场景识别的物体间判别图建模
本文提出了一种基于场景图的三维场景理解方法,它将场景中的实体组织成图形式,运用基于 PointNet 和 Graph Convolutional Networks(GCN)的学习方法实现了场景图的回归,并且引入了一个新的数据集 3DSSG 来支持该方法的应用和评估。
Apr, 2020
该研究提出了一种基于场景图的发现网络(SGDN),利用场景图线索进行开放词汇目标检测和场景图检测。实验证明该方法的有效性,并且能够解决以往方法无法处理的 OV 场景图生成任务。
Jul, 2023
本文介绍了一项新的生成任务:联合场景图像生成。通过引入 DiffuseSG 模型,本文探索了生成逼真的场景图,使得图像生成具备高效和可解释性的控制能力,并展示了该模型在场景图生成以及相关应用中的优越性。
Jan, 2024
本论文提出了一种基于深度生成模型的室内环境场景建模技术,使用前馈神经网络将先验分布映射到室内场景中的主要物体分布,并结合 2D 和 3D 物体排列表示的区分器损失对该模型进行训练,并在多个基准数据集上验证了该模型在场景插值和补全方面的有效性。
Aug, 2018
该论文介绍了 Differentiable Scene Graphs (DSGs)—— 一种可微的、可端到端优化的图像表示方法,该方法通过利用有标签的下游任务进行监督,对场景图中的实体和关系进行密集编码,从而在视觉推理任务中取得了新的最优表现,特别在指代关系标识方面表现良好。
Feb, 2019
使用场景图进行 3D 场景扩散引导的新方法,通过在去噪网络中使用关系图卷积块来利用场景图提供的相对空间信息,显著提高了场景描述与生成场景之间的对齐。
Aug, 2023
本研究介绍了一个基于深度 CNN 特征和区域提议技术的新型 pipeline,旨在从场景图像中提取判别性的视觉对象和局部区域进行分类,经过无监督和弱监督学习从大量高质量的 patches 中筛选出代表特定类别的判别性 objects 和 parts,并为相似 objects 和 parts 聚类形成 meta objects,该方法在两个流行的场景基准数据集上展现了领先水平。
Oct, 2015
研究使用视觉图像中的基于场景图谱的结构化表示,通过端到端模型建模图像中对象之间的关系,通过消息传递技术可以更好预测对象及其关系, 实验表明该模型显著优于以前的方法。
Jan, 2017
通过因果推断进行对象关系预测的场景图生成方法,结合对象增强模块,在 Visual Gnome 150 数据集上取得了有效的实验结果,为决策模型的基础建模提供了巨大潜力。
Oct, 2023