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

Mar, 2024

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

An End-to-End Deep Learning Generative Framework for Refinable Shape Matching and Generation

Soodeh Kalaie, Andy Bulpitt, Alejandro F. Frangi, Ali Gooya

TL;DR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。

Abstract

generative modelling for shapes is a prerequisite for In-Silico Clinical Trials (ISCTs), which aim to cost-effectively validate medical device interventions using synthetic anatomical shapes, often represented as 3D surface meshes. However, constructing AI models to generate shapes clo

generative modelling in-silico clinical trials shape generation geometric deep-learning computational medicine

发现论文，激发创造

用于体积医学图像解剖结构精化的隐式形状建模

本文介绍了一种用于医学图像分割的隐式神经网络方法，通过利用不同类别内多个实例的物理信息构建了 PICCT，对卷积神经网络生成的初始结果进行了优化，实验结果表明该方法在形状细化方面的优越性。

Dec, 2023

少样本三维形状生成

通过利用先前训练好的生成模型，通过领域自适应的方式，基于有限数量的训练数据从而实现了少样本 3D 形状生成，该方法能够在保持多样性的同时避免过度拟合，并通过多种度量评估了生成的质量和多样性。

May, 2023

GEM3D：三维形状合成的生成方法

GEM3D 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。

Feb, 2024

利用几何度量实现网格不变的三维生成深度学习

该论文提出了一种可以处理不同参数化的、基于核的计量的网络架构，可以用于人脸的生成学习任务。

Jun, 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

深度分层生成模型解释解剖形态分析

通过深度生成网络模拟人体解剖分割的总体和局部形貌特征，并利用条件潜在变量实现对临床疾病的可解释结果可视化诊断，从而为大规模的体积成像研究提供高通量分析的新方法。

Jun, 2019

对抗生成连续的隐式形状表示

本研究提出了一种基于有符号距离表示的生成对抗神经网络架构，能够生成高保真度的三维模型，并通过使用不同的 progressively growing voxel 网络作为鉴别器以及细化生成器能力的算法，从 ShapeNet 基准数据集中验证了其有效性。

Feb, 2020

深度形状匹配

该研究将形状匹配视为度量学习，使用卷积神经网络进行实现，在将图像表示分解为边缘图像的生成和使用结构从运动流水线自动获取地标图像的边缘图像的过程中进行网络训练。该方法在域泛化，基于通用素描的图像检索或其精细分类等多个任务上得到了改进并实现了多重基准的最新结果。与其他为每个任务，对象类别或领域学习不同的方法不同，该方法在所有实验中使用相同的网络，取得了最先进的结果。

Sep, 2017

无监督的深度多形状匹配

本研究提出了一种深度学习多形状匹配算法，利用 shape-to-universe 多匹配表示，并结合强大的 functional map 正则化，从而在不依赖于显式模板形状的情况下确保循环一致的多匹配，并在几个具有挑战性的基准数据集上取得了最新的最好结果。

Jul, 2022

通过场景图引导的布局形状生成进行构成性 3D 场景合成

从场景图生成逼真合理的三维场景，利用大型语言模型显式汇总全局图特征和局部关系特征，通过统一的图卷积网络从更新的场景图中提取图特征，并引入基于 IoU 的正则化损失来约束预测的三维布局。在 SG-FRONT 数据集上进行基准测试，我们的方法在场景级准确性方面取得了更好的三维场景合成效果。发表后将发布源代码。

Mar, 2024