这篇论文提出了一种用多模式条件生成模型进行多维形状补全的方法,能够消除单一输出方法存在的不确定性以获得更多的结果。通过多个数据集的实验,证明了该方法的多样性和质量。
Mar, 2020
该研究提出了一种面向大规模 3D 场景连续几何的概率形状完成方法,该方法利用生成细胞自动机学习多模态分布,通过稀疏体素嵌入渐进式生成连续形状,其训练目标最大化完整形状分布的变分下限,并通过实验证明了相比于确定性模型,该方法在几何完成方面的表现更佳。
Apr, 2022
提出了一种新的基于扩散的形状完成方法,将形状完成作为一种基于条件的生成任务,并通过分层特征聚合机制和包含性感知融合策略来实现形状完成,从而在形状完成方面取得了最新的技术成果。
Jun, 2023
提出了一种基于深度学习的图像补全方法,该方法通过融合条件生成和最近的无条件生成的模型结构,引入共同调制的方式来提高大规模缺失区域图像的补全质量,并使用新的 P-IDS/U-IDS 算法来提供真实图像的知觉保真度量化,综合实验数据表明,在自由形式图像补全和图像翻译方面,该方法的质量和多样性性能均优于现有方法。
Mar, 2021
本论文提出一种新的深度学习方法,利用可变自编码器和图形卷积运算来实现对非刚性变形物体进行局部补全,对合成和真实扫描的人体和面部网格进行了实验,显示出有前途的结果。
Dec, 2017
通过利用先前训练好的生成模型,通过领域自适应的方式,基于有限数量的训练数据从而实现了少样本 3D 形状生成,该方法能够在保持多样性的同时避免过度拟合,并通过多种度量评估了生成的质量和多样性。
May, 2023
本研究提出了一种新的 3D 形状自动完成方法 ShapeInversion,它采用了生成性对抗网络(GAN)和无监督学习方法,无需配对数据,可实现对模型的形状操纵和插值。在测试中,该方法在特定于域的测试数据上表现出色,同时表现出对现实世界下不同形式和不完整程度的偏见现象具有鲁棒性。
Apr, 2021
该论文提出了一种新的框架,用于简化业余用户的 3D 资产生成。这种方法支持多种输入模态,并能够对每个输入的强度进行调整,从而允许用户同时使用不完整的形状、图像和文字描述来生成形状,并提供每个输入的相对权重和互动性。
Dec, 2022
本文提出 ShapeHD,将深度生成模型与马赛克技术相结合,解决了单视角 3D 形状补全和重建的两个层面的问题,并在多个真实数据集上取得了比现有技术领先很多的表现。
Sep, 2018
本论文提出了一种能够生成多个不同、合理且高质量的图像修复结果的方法,其中包括条件变分自编码器 (CVAE)、生成对抗网络 (GAN)、新型的短 + 长期注意力层,它们能够有效地提高修复结果的多样性和外观连贯性,实验表明该方法能够在不同的数据集上生成具有更高画质的图像修复结果。
Mar, 2019