Feb, 2024

GEM3D：三维形状合成的生成方法

PDF
TL;DRGEM3D 是一种新的深度、拓扑感知的 3D 形状生成模型，通过神经骨架为基础的表示编码形状拓扑和几何信息，生成更准确的拓扑和几何信息的表面，并应用于形状综合和点云重建任务，取得了显著的表面重建和多样化形状生成结果。
gem3dgenerative modeltopology-awareneural skeleton-based representationshape synthesis
发现论文，激发创造
  • 生成增强三维医学影像

    GEM-3D 是一种基于条件扩散模型的新型生成方法，通过将 3D 医学图像分解为掩模和患者信息，从现有数据集中生成不同变化的高质量 3D 医学图像，实现了数据集的增强。

    Mar, 2024

  • GET3D: 从图像中学习高质量 3D 纹理形状的生成模型

    GET3D 是一种 3D 生成模型，能够直接生成具有复杂拓扑结构、丰富几何细节和高保真纹理的显式纹理 3D 网格，从而显著改进了以往的方法。

    Sep, 2022

  • 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

  • 3DGEN：一种基于 GAN 的从图像数据生成新的 3D 模型的方法

    我们提出了 3DGEN 模型，它利用最近在物体重建和基于 GAN 的图像生成方面的工作，可以为训练图像的同一类别对象生成可信的三维网格，并将生成的网格与当前最先进的基准模型进行比较，取得了可见的生成质量改进。

    Dec, 2023

  • 人体综合的三维感知语义引导生成模型

    提出了一种基于 3D-SGAN 的语义指导生成模型，利用生成神经辐射场（GNeRF）提取人体的隐式 3D 表示，并用纹理生成器将语义掩码转换为真实图像，为计算机图形学应用中的非刚性物体生成具有照片级真实感的图像。在 DeepFashion 数据集上，比最新的基准表现显著优秀。

    Dec, 2021

  • MedGen3D: 用于生成成对三维图像和掩模的深度生成框架

    本文提出了一个用于生成带医学掩模的三维医学图像的深度生成框架 ——MedGen3D，该框架通过生成具有解剖几何的多标签掩模序列并对生成的掩模序列进行条件多条件扩散概率模型（MC-DPM）来实现。 然后，我们利用一个基于图像序列的生成器和语义扩散细化器，对由生成的掩模序列对齐的逼真的三维医学图像进行生成。实验结果表明，MedGen3D 为下游分割任务提供了有价值的细致数据。

    Apr, 2023

  • 多图表生成式表面建模

    介绍了一种基于深度神经网络的三维形状生成模型，利用基于多参数化的张量数据表示来实现高质量的三维形状学习并生成新形状，适用于人体和骨 (牙齿) 形状生成。

    Jun, 2018

  • 通过生成对抗网络实现高质量面部表面和纹理合成

    提出了一种基于 3D 可变形模型和生成对抗网络的面部综合模型，使用普适化方法将几何数据映射到二维平面，实现了对数字扫描的几何数据高效处理，在人类纹理参数空间中生成逼真的面部纹理和它们的对应几何图形，从而获得了新的高分辨率 3D 面孔。

    Aug, 2018

  • 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

  • NeuSDFusion：一种面向空间感知的生成模型用于 3D 形状补全、重构和生成

    介绍了一种新型的空间感知的 3D 形状生成框架，利用 2D 平面表示增强 3D 形状建模，通过使用正交 2D 平面直接学习三维形状的连续有符号距离场表示，以确保空间一致性和减少内存使用，并通过基于 Transformer 的自编码结构精确实施不同平面之间的空间对应关系，促进生成的 3D 形状中空间关系的保留，从而在无条件形状生成、多模态形状补全、单视图重建和文本到形状合成等各种任务上始终优于最先进的 3D 形状生成方法。

    Mar, 2024