结构形状建模的重写技术
StructureNet 是一种基于层次图网络的生成模型,可以对以各种方式变形、修改的 3D 形状进行编码。它可以用于生成大量逼真的结构形状几何,也可以通过从未标记的图像、点云或部分扫描中直接发现形状结构,同时还能够用于形状生成、插值和编辑。
Aug, 2019
利用大规模语言模型的推理能力,提出了一种新颖的 REasoning meta-STRUCTure 搜索框架(ReStruct),该框架在进化过程中整合了 LLM 推理,通过将元结构编码为自然语言句子,并利用 LLM 的推理能力评估语义上可行的元结构。ReStruct 还使用面向性能的进化操作,综合优化元结构的语义可解释性和实证性能。通过对五个数据集的实验,证明了 ReStruct 在节点分类和链接推荐任务中取得了 SOTA 的性能,另外一项调查研究表明,ReStruct 产生的元结构和自然语言解释更易理解。
Feb, 2024
本文在单目图像 3D 形状重建领域引入了组合通用性的概念,并提出了一个新的框架来 better generalize 到那些有着非常不同的形状几何分布的看不见的目标类别。实验证明,我们的方法在 PartNet 中达到了比最先进的方法更高的性能,验证了我们的问题分解和网络设计的有效性。
Dec, 2020
本文提出了一种增强的 StructureNet 结构,名为 LSD-StructureNet,使得其能够生成位于任意位置的零件,并且不影响推理速度或输出的真实性和多样性,从而解决了之前基于整体建模的 3D 形状生成模型无法进行条件采样的问题。
Aug, 2021
本研究提出一种通用重建算法(GenRe),利用深度和轮廓等 2.5D 表示方法和球形和体素表示方法,旨在捕捉更通用,不受特定类别约束的形状先验知识,实验结果表明该算法可以很好地解决从单张图像还原 3D 形状,并且能够泛化到未在训练中见过的多种不同类别的新物体。
Dec, 2018
本研究提出了一种以不同形状之间的形状差异作为主要对象并将其编码到自己的潜在空间中的方法来进行 3D 内容创建,该方法基于条件变分自编码器,对形状进行编码和解码,以实现对形状差分的压缩表示,分层部分结构的不均匀性以及修改抽象和转移。
Nov, 2019
本文提出将形状表示为可学习的三维基本结构的变形和组合,并演示了学习到的基本结构在三维形状生成和匹配方面的显著改进,通过区块变形学习和点翻译学习两种方法,在 ShapeNet 对象重建和人体扫描之间的稠密对应估计中取得了比现有方法更好的结果。
Aug, 2019
本文提出了一种面向领域的 3D 形状结构的组装语言 ShapeAssembly, 并训练一个层次顺序 VAE,以从现有形状结构中提取 ShapeAssembly 程序,从而生成可解释和可编辑的 3D 形状。
Sep, 2020
通过使用部件感知深度生成网络 (PAGENet) 建模三维形状的变化,利用每个部件的 VAE-GANs 生成具有语义感知的部件,并使用部件组装模块将它们组装在一起,从而减少了建模三维形状变化的难度。该模型在语义形状分割和基于部件的形状编辑等应用中取得了可信度高、多样性和细节丰富的三维形状的生成效果。
Jun, 2019