Mar, 2024

野外三维形状重建的目标中心域随机化

PDF
TL;DR通过领域随机化技术，我们提出了 ObjectDR 方法，通过对物体外观和背景进行随机模拟的方式，通过条件生成模型生成符合特定空间条件的图像，并通过预训练改进了现有的三维形状重建模型。
single-view 3d shape reconstructiondomain randomizationobjectdrdata synthesispre-training
发现论文，激发创造
  • 领域自适应的单视角三维重建

    本文提出了一种基于对抗训练的框架来解决单视角 3D 形状重建中存在的挑战，该框架通过降低自然和合成图像之间的差异、迫使重建在逼真的物体形状流形上以及实施其他约束来改进性能。实验结果表明，该方法优于基线模型，且采用简化模型即可达到与最先进方法相当的结果。

    Dec, 2018

  • 结构化领域随机化：通过上下文感知的合成数据弥合现实差距

    介绍了一种结构化领域随机化方法，将对象和干扰因素随机放置并生成图像以使神经网络考虑对象周围的上下文，可通过使用合成数据来训练在真实数据上获得良好表现的 2D 边界框车辆检测神经网络。

    Oct, 2018

  • RandomRooms：从合成形状和随机布局进行无监督预训练以进行 3D 物体检测

    该研究提出一种名为 RandomRooms 的新方法，利用合成 CAD 数据集中的对象生成场景的随机布局并通过对象级对比学习来学习 3D 场景表示，并表明该模型可用于提高 3D 检测任务的性能和泛化能力，从而在 ScanNetV2 和 SUN RGB-D 等流行的 3D 检测基准上取得新的最优结果。

    Aug, 2021

  • 域随机化：从仿真到真实世界的深度神经网络转移

    探究了一种称为 “Domain Randomization” 的技术，该技术使用非真实随机纹理来训练深度神经网络对象定位器，使得该定位器在真实环境中表现出色，并且可以应用于机器人控制中。

    Mar, 2017

  • 使用合成数据训练深度网络：通过域随机化缩小现实差距

    该研究提供了一种基于合成图像训练深层神经网络对象检测的系统，并探讨了领域随机化技术的重要性及其在检测 KITTI 数据集上的应用。

    Apr, 2018

  • 自然图像中的无监督生成式三维形状学习

    本文介绍了一种从自然图像中学习生成 3D 形状的生成模型的全面无监督方法，其中利用 GAN 等深度学习技术实现，从而生成出真实的三维图像，实现了从二维图像向三维图像的转换。

    Oct, 2019

  • 领域随机化和生成模型在机器人抓取中的应用

    通过使用深度学习，机器人抓取技术在数据可用性和算法改进方面取得了显著进展。在本文中，我们探索了一种新的数据生成管道，用于训练深度神经网络执行抓取规划，并提出了一种自回归的抓取规划模型，其将场景的传感器输入映射到可能的抓取概率分布。最终，我们在以前从未见过的物体上实现了 90% 以上成功率。

    Oct, 2017

  • 使用域随机化和生成对抗网络精化合成图像进行目标检测

    该研究利用领域随机化和对抗生成网络在模拟环境中训练工业电器零件的近实时目标检测器。结果显示，使用合成图像和 GAN 翻译的图像进行训练可以在检测和分类一组工业电器零件中达到超过 0.95 的平均精度。

    May, 2018

  • 通用自监督预训练的三维随机场景生成

    为了解决实际场景 3D 数据获取困难的问题，本文通过研究不同的数据生成方法并使用统一的评估体系，评估了不同预训练模型在多个任务中的表现，比如物体检测和语义分割，并提出了一种新的基于球谐函数的 3D 场景生成方法，在性能上超越了以往的方法，并且与使用真实世界扫描和 CAD 模型的方法表现不相上下。

    Jun, 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