Nov, 2023

历史建筑彩绘：基于档案摄影的神经网络重建

PDF
TL;DR历史建筑的 3D 模型重建是一个有意义且具有里程碑意义的人类文化遗产。使用神经渲染方法基于档案照片实现仅基于照片恢复 3D 形状的任务具有显著挑战，但我们提出了一种利用体渲染技术重建历史建筑几何的方法，利用密集点云作为几何先验，并引入颜色外观嵌入损失来恢复建筑的颜色。此外，我们还介绍了一个匈牙利国家剧院的历史数据集，为重建方法提供了新的基准。
发现论文，激发创造
  • 野外神经渲染

    本研究通过对旅游地标的网络照片进行传统 3D 重建，将场景逼近为一个点云，并在每张照片上进行重新渲染。使用神经网络学习初始渲染到实际照片的映射，还考虑到短暂物体的位置以进行场景修正。通过多个公共数据集的评估，展示了场景外观和语义标签的真实操作。与之前的场景重建工作进行了比较。

    Apr, 2019

  • 神经场景编年史

    本文旨在从互联网照片中重建一个可呈现照片逼真效果、拥有独立控制视角、照明和时间的三维模型。我们使用一种新的场景表示，并提出了一种新的时态步函数编码方法，可以将离散场景级内容变化建模为时间上的分段常函数，从而实现了对视角、时间和照明的独立控制。

    Jun, 2023

  • 彩色神经隐性曲面重建

    本文主要研究目标是在计算机视觉中从多视图图像或单目视频中重建物体表面，作者通过将网格结构与颜色相结合的方式，在去除视角相关颜色的同时通过重新照明网络保持体积渲染性能，通过有向距离函数网络提取表面的网格，并从全局颜色网络获取每个表面顶点的颜色，结果表明该方法在物体扫描任务和公开数据集上的性能优于现有方法。

    Aug, 2023

  • ARCH2S：从点云中学习建筑外部结构的数据集、基准和挑战

    本研究提供了一个语义分割的语义丰富的、照片般逼真的三维建筑模型数据集和基准，以克服现有室外三维点云数据集在建筑外观方面的限制和详细注释方面的不足。

    Jun, 2024

  • 从单张图像进行彩色 3D 重建

    本文提出了一种通过一个可视化的二维图像还原立体物体的彩色与形状的方法，该方法为 an end-to-end trainable framework，能够同时处理 shape recovery 和 surface color recovery 问题，并利用一种叫做 Mean Squared False Cross-Entropy Loss 的新方法来处理原有模型表象的稀疏性问题。

    Apr, 2018

  • Point2Building：从航空 LiDAR 点云重建建筑物

    基于学习的方法，从空中激光雷达点云中重构建筑物为 3D 多边形网格，通过引入生成模型来适应各种建筑形状和结构，通过直接从点云数据中学习，减少误差传播并提高重构的准确性，在苏黎世、柏林和塔林的空中激光雷达数据上进行实验证明了方法的良好泛化能力。

    Mar, 2024

  • 从 2D 平面图自动重建语义 3D 模型

    本文介绍了一种从扫描的 2D 平面图重建矢量化 3D 模型的流程，以提高数字化过程的效率，该方法在公共数据集 CubiCasa5k 中实现了最先进的结果，并表现出较好的推广性，其矢量化方法特别有效，优于以前的方法。

    Jun, 2023

  • 使用参数生成的虚拟建筑进行深度学习，实现现实世界中物体识别

    本研究研究了使用参数化建筑信息模型（BIM）自动生成人工神经网络（ANN）的培训数据，以识别照片中的建筑物对象。

    Jan, 2023

  • 揭示空间：从室内空间图像中获取具有建筑意义的语义描述

    该研究论文旨在通过提出的模型从二维场景中提取具有建筑意义的语义描述，通过训练合成生成的图像以及相应的高级建筑结构，使用像素级比较评估，在真实环境中对其性能进行测试和评估。

    Dec, 2023

  • Building3D: 从点云中学习屋顶结构的城市级数据集和基准

    这篇论文介绍了一个城市建模的数据集 Building3D，它包括超过 160,000 幢建筑物的点云、网格和线框模型，覆盖爱沙尼亚的 16 个城市，面积约为 998 平方公里。作者通过对先进算法的评估发现 Building3D 存在高内类别差异、数据不平衡和大规模噪声等挑战。这个数据集是首个最大规模的城市建模基准，可以用于监督学习和自监督学习方法的比较。作者认为 Building3D 将促进未来在城市建模、航路规划、网格简化和语义 / 部分分割等领域的研究。

    Jul, 2023