拓扑感知的潜在扩散用于 3D 形状生成
本文提出了一种新颖的潜在的 3D 扩散模型来生成神经体素场,旨在实现准确的部件感知结构。通过对现有方法的比较,我们采用了两个关键设计来确保高质量和准确的部件感知生成。一方面,我们引入了潜在的 3D 扩散过程来生成神经体素场,使其能够以显著更高的分辨率生成富有纹理和几何细节。另一方面,我们引入了部件感知的形状解码器,将部件代码整合到神经体素场中,引导准确的部件分解并产生高质量的渲染结果。通过广泛实验和与现有最先进方法的比较,我们对我们的方法在四种不同类别的数据上进行了评估。结果表明,我们提出的方法在部件感知形状生成方面具有优秀的生成能力,优于现有最先进方法。
May, 2024
通过建立基于双曲几何的可解释度度量的几何潜变空间,使用径向和角度几何特性约束的几何潜变过程,HypDiff 框架能有效地捕捉和保留图的拓扑信息,并在各种拓扑结构的图生成中表现出卓越的效果。
May, 2024
通过设计一种新颖的稀疏潜点扩散模型,将点云作为中间表示建模并控制生成的网格的整体结构和局部细节,以提高效率和可控性,实现了在生成质量和可控性方面与现有方法相比优越的网格生成。
Mar, 2023
本文提出了一种新颖的概率生成建模方法,称为 Point-Voxel Diffusion(PVD),它是一个统一的、概率的公式,用于无条件的形状生成和多模态形状完成。PVD 将降噪扩散模型与 3D 形状的混合点 - 体素表示相结合,并通过优化变分下界来训练(条件)似然函数。实验证明了 PVD 的高保真度合成能力,以及从单视角深度扫描的真实对象中生成多个完成结果的能力。
Apr, 2021
我们介绍了一种在 3D 形状表面上直接操作的基于内在隐性扩散模型的框架,旨在合成高质量的纹理。通过对网格顶点上的离散矢量场编码纹理的隐式表示和学习在表面上的学习隐空间中去噪扩散过程的隐性扩散模型,我们的方法具有两个贡献。我们考虑了一种单一纹理网格范式,其中我们的模型被训练为在网格上生成给定纹理的变化。我们展示了合成的纹理与现有的单一纹理网格生成模型相比,具有较高的保真度。我们的模型还可以用于用户控制的编辑任务,例如修复缺失和标签引导的生成。我们提出的框架具有在等价变换下的等变性,这部分有助于我们方法的有效性,使我们的模型能够在局部相似区域之间无缝复现细节,并打开了生成纹理迁移的可能性。
Dec, 2023
该论文提出了一个用于生成结构组件设计的框架,利用潜在扩散模型生成满足一系列问题特定加载条件的潜在设计,从而具有编辑现有设计的优势。通过使用结构拓扑优化得到的几何数据集进行训练,我们的框架生成了近乎最优的设计,并提供了定量结果支持生成设计的结构性能和潜在候选设计的变化性,以及框架的可扩展性的证据。此框架可用作生成类似拓扑优化设计的新近乎最优设计的起点。
Sep, 2023
PolyDiff 是第一个能够直接生成逼真且多样化的三维多边形网格的扩散式方法。通过在多边形网格数据结构上本地化进行离散去噪扩散概率建模,我们能够学习顶点的几何特性和面的拓扑特性,从而生成高质量的三维多边形网格,适用于后续的三维工作流集成。
Dec, 2023
本研究提出了一种基于几何潜变扩散模型(GeoLDM)的新方法,通过在潜空间中运行扩散模型来生成分子的三维几何结构。该方法对生成大分子的有效百分比有 7%的提升。
May, 2023
提出了一种基于扩散的 3D 形状生成框架,名为局部注意力 SDF 扩散,可通过 2D 草图图像输入建模可信的 3D 形状,实现局部控制性和模型普适性的提高。
May, 2023
该研究提出一种新颖的方法,利用持久性同调技术,在自编码器的潜在表示中保留输入空间的拓扑结构,以保存多尺度的连接信息。实验表明这种方法在合成流形和现实世界图像数据集上表现出良好的潜在表示,并保留了低重构误差。
Jun, 2019