通过部件整体层级信息传递的生成式三维部件装配
该研究提出了一种新的方法,可以同时恢复 3D 对象的几何形状和基于部分的分解,以及它们之间的潜在层次结构,实验证明考虑部分的组织确实有助于推理三维几何。
Apr, 2020
本文介绍了一种基于注意力的部件组装的 VodAttention 网络架构和通道分离的部件注意力方法,用于处理 3D 形状建模问题。实验结果表明,该方法在处理部件关系感知的 3D 形状建模任务上优于大多数现有的先进方法。
Apr, 2023
将物体的装配从其组成部分自动化是一个复杂的问题,具有生产制造、维护和再生利用等无数应用。我们的研究提出了一个整体多层次的部件装配规划框架,包括部件装配顺序的推理、部件运动规划和机器人接触优化。我们通过引入大规模部件装配序列数据集(D4PAS)来训练 Part Assembly Sequence Transformer (PAST)神经网络,实验结果表明我们的方法相比之前的方法具有更好的泛化性能,且推理过程所需的计算时间显著减少。
Dec, 2023
通过使用部件感知深度生成网络 (PAGENet) 建模三维形状的变化,利用每个部件的 VAE-GANs 生成具有语义感知的部件,并使用部件组装模块将它们组装在一起,从而减少了建模三维形状变化的难度。该模型在语义形状分割和基于部件的形状编辑等应用中取得了可信度高、多样性和细节丰富的三维形状的生成效果。
Jun, 2019
本研究提出一种基于递归神经网络的分层式三维形状分割的深度学习模型,通过高层节点提供的强有力上下文线索来约束低层级别的分割,并使用递归上下文特征和相应部分提取的形状特征来提高每个节点的分割准确性。模型能够灵活自适应地将三维形状分割成多个部分,对细颗粒度和语义分割具有 state-of-the-art 的性能。
Mar, 2019
通过在实现中使用用户提供的一组三维部件的库,我们提出了基于自我监督的方法来将 3D 形状分解,使得对部件的选择和分解方式都可以进行完全控制。实验表明,这种方法比现有方法提供了更高的重构准确性和更理想的分解。
Mar, 2023
采用神经网络合成三维形状的方法中引入了基于部件表示的方法,在过去几年中已经出现。然而,当前方法不容易根据用户的偏好重新生成单个形状部件。本文研究了允许用户生成多个多样化部件建议的技术,特别是实验了先前的形状合成工作中未考虑的多模态深度生成模型。通过在基于部件表示的合成方法中评估这些技术,我们提供了一种比较研究。我们的贡献是定性和定量评估表明,哪种新的多模态部件生成技术表现最佳,并且基于表现最佳技术的合成方法在重构形状时可以更好地控制所生成的三维形状的部件,同时保持高形状保真度。
Jan, 2024
本文提出了一种基于递归图学习的自主组装物体的新方法,通过考虑零件之间的相互关系和部件姿态的逐步更新,实现了对具有结构变异的物体的组装。该网络在 PartNet 数据集上相对于现有技术实现了 10% 的部件精度和 15% 的连通性精度的提升,同时具备从点云组件中恢复形状结构的潜在应用。实验证明了该方法的有效性。
Jul, 2021