本文针对多个视角下同一对象类别的多张图像中的对称性进行了研究,提出了两种利用对称性约束的非刚性运动结构算法,并在 Pascal3D+ 数据集上验证了其性能。
Sep, 2016
提出了一种使用四面体网格表示体积的映射方法,使用对称性的 ARAP 能量来实现形状的匹配,并最小化畸变能量以提高匹配精度。
Feb, 2022
本研究针对相机在球面上旋转的特殊情况,通过分析对极几何得出只需最少三个点的对应关系即可快速求解两张图像之间本质矩阵的方法,并将其应用于场景建模和物体扫描中。
Apr, 2016
综合上述研究,我们提出了一种新的 “动量、射击和修正” 框架,用于在存在重复模式和大运动的情况下进行拉格朗日运动估计,能够在大运动和重复模式中准确、密集和可微分地估计 2D/3D 运动场。
Aug, 2023
本文在 Kendall 形状空间中确定 Jacobi 场和平行传输,以及计算测地回归。通过 Riemannian 优化,我们可以充分利用几何形式并将计算成本降低几个数量级,从而在流行病形状数据的纵向统计分析中实现了方法学的应用,具体例子为应用于 Osteoarthritis Initiative(OAI)图像数据重建的膝骨 3D 形状,发现患有骨关节炎的受试组和发展骨关节炎的受试组与正常对照组之间在股骨形态的时间发展方面存在明显差异,这为仅使用几何数据对发生膝骨关节炎进行早期预测铺平了道路。
Jun, 2019
本文提出了一种基于内在点对称性检测三角网格中对每个点的对称点的方法,并在功能映射框架下建立形状上的函数对应关系,最终基于精简解决方案寻找最短路径测地线上的点对应关系,该方法在对称点的最短路径测地线上的特性的基础上是不变的,且时间复杂度较低,在 SCAPE 数据集上获得了最佳表现,并在 TOSCA 数据集上与最先进的方法具有可比性。
Jul, 2018
通过在特征空间中推广 ST 表面的运动学概念来捕捉点云中的三维运动,提出了一种 kinematics-inspired 神经网络(Kinet),其可以对不规则的点云进行分类,同时在网络结构方面变化小,计算开销也小。
Mar, 2022
研究和利用机器人系统中的形态对称性,证明其对机器学习模型的样本效率和泛化能力有显著影响,并将机器人动力学分解为低维度、独立动力学,为机器人学中的建模、控制、估计和设计提供了新的物理信息几何先验。
Feb, 2024
提出了一种使用多视角视频输入,自动生成具有动画所需骨骼、体积形状、外观和(可选的)表面的装配演员模型,并估计演员运动的全自动算法。
Jul, 2016
通过核密度估计的统计框架,我们提出了一种不依赖于形状同构的替代恢复技术,能够保证双向对应并产生更高的精度和平滑度,并在多个具有挑战性的可变形 3D 形状匹配数据集上展示其性能。
Jan, 2017