Nov, 2023

提高通用性的隐式形状网络的鲁棒性：可调的非参数模型

PDF
TL;DR通过将网络的形状间数据先验与 Nyström 内部形状正则化先验相结合，在测试时提出了一种有效的机制来解决一些限制。通过使用综合内插核来适应当前形状的超参数，得到的形状函数在形状特定的再生核希尔伯特空间中具有稳定性和高效性，并提供形状自适应的表达力和鲁棒性的权衡。通过使用合成和真实数据，我们证明了我们的方法相对于基线和现有技术的改进。
发现论文，激发创造
  • 非参数学习非局部算子中的核函数

    本文采用数据自适应 RKHS Tikhonov 正则化方法，提出基于可识别性函数空间的非局部算子核学习的收敛估计器，成功地从实际数据中学习微观尺度上应用于非均质固体的应力波传播的均质化模型，并在健壮性，泛化性和准确性方面优于基线方法。

    May, 2022

  • 混合去噪通用占据网络

    通过使用 MLPs 对局部特征进行编码，以点云来恢复 3D 重建的模型，通过引导去噪的相对位置编码，从点云中汇集附近的特征，预测空间中的任意查询点的占用概率，并夺得了卷积方法的最新成果，并且只使用了一半的模型参数。

    Nov, 2023

  • 单视角非刚性形状预测的几何感知网络

    提出了一种基于几何感知的深度学习方法，能够在没有预先注册表面模板的情况下，通过单一视角的输入图像，精确预测可变形表面的 3D 形状， 并采用合成数据集和真实基准数据集的实验证明其在 3D 形状预测上超越同类算法，且计算时间明显减少。

    Sep, 2018

  • 基于非参数贝叶斯推断的基元形状抽象

    本文提出了一种非参数贝叶斯统计方法用于从点云中推断抽象的三维形状，包括未知数量的基本几何基元，并展示了该方法的实验结果比现有方法更准确且具有普适性。

    Mar, 2022

  • 一种用于可精细化形状匹配和生成的端到端深度学习生成框架

    基于几何深度学习的形状生成模型在计算医学中的应用可通过比较分析，验证了其适用于以真实 3D 网格形状为基础的合成解剖形状，并且可以进一步增加变异性并保留更多生成形状的细节。

    Mar, 2024

  • 多分辨率实例判别式的无监督三维形状分析学习

    本文提出了一种用于不同形状分析任务的通用和高效形状编码网络的无监督方法，具体方法是联合编码和学习来自未标记的三维点云的形状和点特征，使用基于八叉树的卷积神经网络来进行编码，并设计了一个简单而高效的多分辨率实例判别损失，本方法不仅表现出了所有无监督方法中最佳的性能，还在小标记数据集的任务中表现出了与监督方法有竞争力的性能，甚至在细粒度形状分割任务中超过了现有的监督方法。

    Aug, 2020

  • 学习形状先验用于单视图 3D 补全和重建

    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

  • 学习形状的隐式几何规则化

    本文提出了一种从原始数据（即点云）中直接计算高保真度隐式神经表示的新范式，它鼓励神经网络在输入点云上消失并具有单位范数梯度的简单损失函数具有几何正则化特性，利用神经网络表示任务的表面形状的零水平集，避免不良零损失解，实验表明该方法与之前的方法相比具有更高的细节和保真度。

    Feb, 2020

  • 深度手绘输出内核回归用于结构化预测

    我们提出了一种深度神经网络架构家族，其通过 kernel-induced losses 的数据依赖有限维子空间来预测结构化输出，利用梯度下降算法进行训练，并在合成任务和真实世界的监督图预测问题中展示了方法的相关性。

    Jun, 2024

  • 使用深度内核整形快速训练深度神经网络，无需跳跃连接或标准化层

    通过神经切线核理论和 Deep Kernel Shaping 方法，我们成功控制了深度神经网络的初始化时间内核函数的 “形状”，实现了无归一化层的残差网络的快速 SGD 训练，并同时提高了一些传统上性能非常差的激活函数的结果。

    Oct, 2021