Dec, 2023

用于体积医学图像解剖结构精化的隐式形状建模

PDF
TL;DR本文介绍了一种用于医学图像分割的隐式神经网络方法，通过利用不同类别内多个实例的物理信息构建了 PICCT，对卷积神经网络生成的初始结果进行了优化，实验结果表明该方法在形状细化方面的优越性。
shape modelingvolumetric medical imagesdeep learning modelsimplicit shape modelingmedical image segmentation
发现论文，激发创造
  • 深度中心体：用于解剖形状建模的学习中心轴近似

    通过模板变形和深度介质体方法实现形状重建，以应用于医学成像、可视化和计算机模拟。

    Mar, 2024

  • 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

  • 深度条件形状模型用于 3D 心脏图像分割

    利用深度条件形状模型作为核心组件的新型分割算法，通过深度隐式形状表示学习一个可以为任何感兴趣解剖学生成有符号距离函数的模态不可知形状模型，然后通过解剖标志物对生成的形状进行拟合到图像上，并添加模态依赖的轻量级细化网络以捕捉隐式函数未表示的任何细节，该框架在多种 3D 模态下的心脏左室分割问题上进行评估，自动化的 DCSM 在非对比度 CT 上表现优于基准结果，在对比度 CT 和 3DE 上添加细化后性能得到显著改善，而用户输入标志物的半自动化 DCSM 在全部模态下的 Dice 指数均超过 92%。

    Oct, 2023

  • 无需三维监督学习推断隐式曲面

    本研究提出了一种基于射线场探测技术的隐式表面的学习方法，以及一种泛函约束方法，用于无需三维监督的三维形状推断。实验表明，在单视角基础上，使用我们的方法从图像中重建三维模型，无论是定量还是定性上都优于现有技术。

    Nov, 2019

  • 野外三维车辆重建的神经隐式建模修复

    本文提出了一种基于神经隐式模型的 3D 物体重建方法，通过深度编码器作为初始形状潜码的鲁棒优化器，利用规则化测试时间优化潜码，深度鉴别器作为高维形状先验，并使用新颖的课程学习策略，从而更好地捕捉全局细节，在模糊的基准数据集上表现出色，展示了在真实世界数据上超越现有技术的优越性。

    Jan, 2021

  • 使用深度神经网络进行高分辨率形状补全，进行全局结构和局部几何推断

    本文提出一种基于深度学习架构的数据驱动方法来恢复三维形状的缺失部分，该方法包含全局结构推断网络和局部几何细化网络，并在六个实体类别上进行了定性和定量评估，表明优于现有的形状完成工作。

    Sep, 2017

  • 三维形状重建和完成的特征空间中的隐式函数

    本文提出了一种名为 IF-Nets 的新模型来解决从不同类型的三维输入中恢复和补全三维物体的问题，IF-Nets 可提取深度特征，保留输入数据中存在的细节，并可以重建活动的人体模型。实验证明 IF-Nets 在 ShapeNet 中的三维物体重建和人体重建方面明显优于以往的工作。

    Mar, 2020

  • 通过稠密对应实现可变形物体的隐式形状表示的自监督学习

    使用自监督学习方法为可变形物体学习神经隐含形状表示法，无需特定语义领域的额外注释和大量变形约束，可用于纹理转移和形状编辑应用。

    Aug, 2023

  • 3D 场景抽象的鲁棒形状拟合

    通过神经网络引导的 RANSAC 估计器拟合基本几何体，提供更有意义的场景抽象并减少推理时间，成功地将拥挤的真实世界三维场景布局抽象化。

    Mar, 2024

  • 使用结构隐式函数学习形状模板

    该论文介绍了一种从数据中学习通用形状模板的方法，通过基于局部形状元素的组合来选择隐式表面表示，可以适应各种几何和拓扑变化，而结构化的隐式函数适合学习，并允许网络平滑地同时拟合多类形状，该学习形状模板支持从 RGB 图像中进行形状探索，对应、抽象、插值和语义分割等应用。

    Apr, 2019