Feb, 2024

三维隐式表示的定向网格编码器

PDF
TL;DR利用邻域多分辨率格点的特征编码法在学习基于隐式场景表示中发挥了重要作用，然而先前的技术没有明确地利用大多数物体或场景的表面法线和局部平滑性特征。本文提出了第一个明确地利用了这些三维特征的三维几何编码器，通过使用新颖的圆柱体积插值来建模局部平面不变性。此外，我们明确地结合了局部特征聚合来对圆柱体插值特征进行正则化和平滑处理。我们在 ABC、Thingi10k、ShapeNet 和 Matterport3D 上评估了我们的方法，用于对象和场景表示。与使用常规格点的方法相比，我们的几何编码器显示出更快的收敛速度，并获得更清晰的三维表面。与先前的技术相比，我们的方法取得了最先进的结果。
3d pointsimplicit scene representationgeometric encoder3d characteristicscylindrical volumetric interpolation
发现论文，激发创造
  • 3D 场景的本地隐式网格表示

    本文提出了一种新的三维形状表示 —— 本地隐式网格表征，它适用于大型、多样化的室内场景，利用 autoencoder 学习局部数据的嵌入，再使用解码器实现形状优化，提高了基于稀疏点观测的三维表面重建结果。

    Mar, 2020

  • 卷积占据网络

    本文提出基于卷积的代表性网络 Convolutional Occupancy Networks 用于 3D 重建，实现了在较为复杂的几何情况下的结构化推理及其他先验偏差的融合，通过从噪声点云等数据中重建复杂几何模型且适用于大尺度室内场景。

    Mar, 2020

  • 神经距离场的零级集编码器

    使用神经网络进行神经形状表示，通过单次前向传递嵌入 3D 形状，无需明确的先验知识，有效地计算边界值 Eikonal 方程的近似解并展示了广泛的应用领域。

    Oct, 2023

  • ShapeCodes: 将视角提升至视图网格以进行自我监督特征学习

    本论文介绍了一种无监督学习方法，将三维形状信息嵌入到单视图图像表示中，通过使用单个 2D 图像的自监督训练目标，在没有人工语义标签的前提下，鼓励表示捕捉基本形状原语和语义规律，最终学习得到一个强大的表示方法，可以成功进行物体识别和 “心理旋转” 操作，成果优于相对应的其他无监督学习方法。

    Sep, 2017

  • 3DILG：用于三维生成建模的非规则潜在格

    通过使用神经场，利用三维空间内不规则的栅格表征方法，提高了点云形状重构以及生成模型的精确性和质量， 在单张高分辨率图像、低分辨率图像和分类条件下的生成模型中，实现了有关 3D 形状建模的革新工作。

    May, 2022

  • 多层次三维卷积神经网络学习多尺度空间特征

    本文提出了一种基于多层体素网格的端到端多级学习方法来解决现有 3D 目标识别中结构化和非结构化数据表示的缺陷，结果表明该方法在节约内存的同时能够实现与密集体素表示相当的目标识别性能。

    May, 2018

  • 深度级集：用于三维形状推断的隐式表面表示

    通过引入一种变分形状推理方法以及一种新的几何损失函数，我们提出了一种端到端的可训练模型，可以直接预测任意拓扑的隐式表面表示，并演示了该模型在 3D 表面预测任务中的准确性和灵活性。

    Jan, 2019

  • 使用卷积变分编码器 - 解码器网络进行单目语义占据栅格地图绘制

    该研究使用单目摄像头的弱立体视觉信息，通过变分编码器 - 解码器网络实现了从前视图到鸟瞰图的语义度量占用栅格地图学习，并优于传统方法，在城市街景数据集上 mean IoU 提升 12% 以上，并实现了对未见数据的鲁棒性和实时推理速度。

    Apr, 2018

  • GridFormer：点网格变换器用于表面重建

    通过在正规网格特征和离散点特征之间引入高效的点 - 网格变换机制，以及采用边界优化策略，本文提出的方法有效地提升了三维表面重建的精度和准确性。

    Jan, 2024

  • TriPlaneNet: EG3D 反演编码器

    该论文介绍了一种基于三平面表示的实时方法，该方法直接利用编码器进行潜在编码，并将其扩展为三平面数值偏移的全卷积预测器，从而弥合了当今用于高质量变形和重新渲染存在的方法之间的差距。

    Mar, 2023