Nov, 2023

3D-TexSeg: 基于互补式转换学习的 3D 纹理无监督分割

PDF
TL;DR该研究提出了一种原始框架，用于在网格流形上对 3D 纹理进行无监督分割，通过相互变换的系统将网格表面划分为纹理区域和非纹理区域，使用几何图像表示对网格面片进行标记，并在三个公开数据集上进行大量实验证明该框架优于标准和 SOTA 无监督技术，并且与有监督方法具有合理的竞争力。
3d textureunsupervised segmentationmesh manifoldlabel generatorgeometric image representations
发现论文，激发创造
  • 3DTextureTransformer：对任意网格拓扑进行几何感知纹理生成

    使用名为 3DTextureTransformer 的新颖框架，结合几何深度学习和 StyleGAN 类似的架构，能够在不改变原始高分辨率输入网格拓扑的情况下生成高质量的纹理。该架构在学习来自 3D 几何体和现实世界 2D 图像的情况下，与任意网格拓扑一起工作，取得了该类解决方案中的最新性能。

    Mar, 2024

  • MeT：用于三维网格语义分割的图变换器

    提出了一种基于 Transformer 以及 Laplacian 特征编码的多边形网格的语义分割方法，并在 Shape COSEG 数据集、人类分割数据集以及 ShapeNet 基准上实现了最先进的性能。

    Jul, 2023

  • 利用 2D 数据学习纹理 3D 网格生成

    本研究提出了第一种用于生成有纹理的 3D 网格的生成模型，并且引入了一种全新的 3D 网格生成过程，以保证不会出现自交问题，我们在合成数据和自然图像上进行了广泛的实验，结果表明我们的方法成功学习生成了五种具有挑战性的物体类别的合理和多样化的纹理 3D 样本。

    Apr, 2020

  • OSTeC: 单次纹理补全

    本文提出了一种无监督的方法，用于一次性 3D 面部纹理完成，这不需要大规模的纹理数据集，而是利用 2D 生成器中存储的知识。实验结果表明，完成的纹理和正视图像具有高质量，类似于原始身份，可以用于训练 3DMM 拟合的纹理 GAN 模型和提高姿态不变的面部识别。

    Dec, 2020

  • TexDreamer：面向零样本高保真 3D 人体纹理生成

    利用 TexDreamer 模型，我们通过有效的纹理自适应微调策略将大型文本到图像模型转化成语义化 UV 结构，在保留其原始泛化能力的同时，能够在数秒内生成高保真度的 3D 人体纹理。此外，我们还介绍了包含 50k 高保真度的纹理及文本描述的 ATLAS 高分辨率 3D 人体纹理数据集。

    Mar, 2024

  • 自监督对比表示学习用于三维网格分割

    提出了一种自监督对比学习方法 SSL-MeshCNN 用于预训练 CNNs 从而解决三角形网格难以准确定义的问题，该方法表现出降低网格分割所需标记数据的可行性

    Aug, 2022

  • 纹理三维网格卷积生成

    本文提出使用不同 iable rendering 技术生成三角网格和相关高分辨率纹理贴图的框架，以单视角自然图像为 2D 监督，并将网格和纹理编码为 2D 表示，以便使用 2D 卷积 GAN 进行建模，并在 Pascal3D + Cars 和 CUB 上展示了方法的有效性及其评估方法。

    Jun, 2020

  • MaterialSeg3D: 通过 2D 先验信息为三维资源分段密集材料

    通过图像扩散模型，我们提出了一个 3D 材质生成框架，该框架可以通过 2D 语义先验模型推测出内在材质。我们还构建了一个名为 MIO 的材质数据集，并进行了广泛的实验证明了我们方法的有效性。

    Apr, 2024

  • 使用 Transformer 从单张图像中估计三维人体纹理

    本文提出了一种基于 Transformer 的框架，用于从单张图像中进行三维人体纹理估计，并通过 mask-fusion 策略和 part-style loss 来提高图像质量，实验结果表明该方法在 3D 人体纹理估计方面优于现有方法。

    Sep, 2021

  • TexPose：自监督 6D 物体姿态估计的神经纹理学习

    本文介绍了通过神经纹理学习从合成数据和少量未标记真实图像中估算 6D 物体姿势的方法，并提出了一种新的学习方案以消除以前工作的缺点。

    Dec, 2022