Apr, 2024

NeurCADRecon：通过强制零高斯曲率重建 CAD 曲面的神经表示

PDF
TL;DR基于观察到 CAD 模型表面通常由分段曲面补丁组成，每个补丁都大致可展平，我们提出了一种名为 NeurCADRecon 的自我监督方法，其损失函数包括一个促进高斯曲率趋近于 0 且保持输入点一致性的可展平项。我们的方法能够从神经 SDF 中清晰地提取尖锐特征点 / 线，并将其分解为光滑曲面补丁，极大地降低了恢复参数化 CAD 设计的难度。与现有的最先进方法进行了全面比较，证明了我们方法在重建忠实的 CAD 形状方面的显著优势。
organic modelneural signed distance functioncad modeldevelopabilitygaussian curvature
发现论文，激发创造
  • 利用表面先验重建稀疏点云的表面

    通过在表面上使用先验信息，使用神经网络从稀疏的 3D 点云中精确地重建表面，方法无需事先获取签名距离或点法向量，实现了最优的重建精度。

    Apr, 2022

  • Point2CAD：从 3D 点云到 CAD 模型的逆向工程

    从点云重建计算机辅助设计（CAD）模型，结合计算机视觉、图形学和机器学习的重要问题。通过分析当前艺术状态并提出混合分析 - 神经重建方案，桥接分割的点云和结构化的 CAD 模型，借助新颖的隐式神经表示法提高表面拟合阶段的性能，达到了新的与该数据集的最新技术水平。

    Dec, 2023

  • NeurCross: 用于四边形网格生成中表示交叉字段的自监督神经方法

    提出一种名为 NeurCross 的自监督神经表示的跨域的四边形网格生成方法，通过利用神经符号距离函数 (SDF) 进行 SDF 过度拟合和跨域的预测，并通过 SDF 的 Hessian 矩阵对整体跨域进行规范化调整，显著改善奇异点的位置和输入三角面片与输出四边形网格的逼近精度。

    May, 2024

  • 无 3D 监督的多视角图像神经三维场景重建

    本文提出了一种新的神经重建方法，使用可访问的 2D 图像作为监督来进行 3D 场景重建，其中通过引入二进制带注符号距离函数、色彩场和概率场等方法实现了场景的重建，并引入了几何和平面约束以实现对场景复杂几何区域和低纹理区域的重建。

    Jun, 2023

  • NeuSG: 基于神经网络的隐式表面重建与 3D 高斯喷点引导

    神经隐式表面重建方法通过引导来自三维高斯化簇粘附的点云，结合来自神经隐式模型的表面预测精炼来提高细节的重建效果。

    Dec, 2023

  • GSDF：3DGS 引入 SDF 以提升渲染与重构

    提出了一种新的双分支结构 GSDF，它将 3D 高斯喷洒（3DGS）表示法的灵活和高效与神经符号距离场（SDF）相结合，通过相互指导和联合监督来缓解它们的局限性，并在各种场景上展示了我们的设计能够更准确、更详细地重建表面，并同时使 3DGS 渲染受益于与底层几何更加一致的结构。

    Mar, 2024

  • 神经核表面重建

    本文提出了一种从大规模、稀疏且带噪声的点云中重建三维隐式表面的新方法，采用神经内核场（NKF）表示法，通过紧凑支持的核函数扩展规模，利用内存高效的稀疏线性求解器进行计算，并采用梯度拟合求解方法来提高抗噪性能，同时还最小化了训练要求，能够处理不同尺度物体和场景混合训练数据的情况。该方法能够在几秒钟内重建数百万个点，并能够处理非常大的场景。该方法在由单个物体、室内和室外场景组成的重建基准测试中取得了最先进的结果。

    May, 2023

  • 通过学习可微分表面表示进行形状重建

    本研究利用深度神经网络的可微分性，防止曲面崩溃和强烈减少曲面重叠，在表面重构方面显著超过现有技术。

    Nov, 2019

  • 神经几何细节层：使用隐式三维形状的实时渲染

    本篇研究提出了一种基于八叉树的特征体积的神经无人机距离函数模型，实现了高保真的 3D 形状实时渲染，且在多个方面表现出全球领先的复杂形状重建质量与渲染效率。

    Jan, 2021

  • CAD-SIGNet: 使用逐层草图实例引导的注意力从点云中推理 CAD 语言

    给定一个三维扫描的物理对象，CAD-SIGNet 模型通过层间交叉注意力和新的 SGA 模块，能够恢复 CAD 模型的设计历史，并提供多种可能的设计选择，从而实现交互式逆向工程。在公开的 CAD 数据集上进行的实验表明，该方法在完整设计历史恢复和条件自动完成两个方面的效果优于现有的基准模型。

    Feb, 2024