学习 Web 的 3D Fauna
该研究通过使用一个新颖的基于部件的形状模型,从玩具模型的 3D 扫描中学习了一个能表示狮子、猫、狗、马、奶牛和河马等动物形状的统计形状模型,并通过将人工智能技术运用于真实动物的图像中,证明了它的普适性。
Nov, 2016
提出了 Animal3D 数据集,为哺乳动物的 3D 姿态和形状估计提供了全面的数据集,实验证明跨物种的动物 3D 形状和姿态的预测仍然是一项非常具有挑战性的任务,合成预训练是提高模型性能的一种可行策略。
Aug, 2023
我们提出了一种从单目视频中构建可动画的狗头像的方法,通过解决动物的姿态变化和外观问题,提高了基于模板的形状拟合的质量。我们的方法在 CoP3D 和 APTv2 数据集上展示了优异的结果。
Mar, 2024
从合成动物数据集学习语义部分分割,提出了具有更广泛的姿态多样性的合成动物数据集和适应方法,通过频谱混合和类平衡方法改进了现有的领域自适应方法,在 PartImageNet 上验证了该方法的有效性,并展示了合成虎和马的学习部分在所有四足动物上的可传递性。
Nov, 2023
SuperAnimal 是一种新的解决行为分析中 pose 估计问题的 plug-and-play 解决方案,使用深度学习技术自动提取关键点,无需人工标记,并可应用于超过 45 种物种。
Mar, 2022
本文介绍了一种使用关节模板和物种的图像来捕捉新物种的方法,重点关注鸟类。通过解开姿态和形状,从图像证据中学习捕捉各物种和每个物种内部变化的形状空间,并使用低维嵌入,展示了所学 3D 形状空间比感知特征更好地反映了鸟类之间的系统关系,并提供了一些新的物种特定和多物种形状模型,有利于下游重建任务。
May, 2021
通过在动物自然环境下的图片中捕捉 Grevy 斑马的 3D 姿态、形状和纹理信息,为探究动物健康和行为提供了新的路径。该研究开发了一种新的方法,将 SMAL 动物模型与基于网络的回归管道相结合,通过训练合成图片,实现了对斑马形状和姿态的预测,为仅使用光度损失从图像学习形状空间提供了新的途径,并可用于在其他具有受限 3D 监督的情况下学习形状。具体地,该方法称为 SMALST,不仅可以预测动物的 3D 形状、姿态和纹理,而且在预测纹理图的基础上,可以无监督地优化特征。
Aug, 2019
本文提出了一种基于用户标记图片和动物模板的体积变形框架,通过学习每个局部区域的硬度值,动态调整模板三维网格来实现动物变形与模拟,其优于未学习硬度值的方法,适用于高度可形变和关节灵活的动物模型。
Jul, 2015
本研究提出了基于草图查询进行相关 3D 动物模型检索的 SHREC 竞赛,构建了包含 711 个独特的动物模型和 140 个对应草图查询的 ANIMAR 数据集。我们从八个团队和 204 次运行中得到了令人满意的结果,并提出了未来改进检索性能的潜在研究方向,如优化特征提取和匹配技术以及创建更多样化的数据集。
Apr, 2023