May, 2024

具有内容感知形状调整的三维形状增强

PDF
TL;DR近期在三维模型方面的深度学习研究取得突破，主要集中在生成、检测和场景理解。为了应对大型训练数据集的挑战，我们引入了一种基于拼接裁剪的新颖三维模型增强方法，称为高效三维拼接裁剪（E3SC），它在保证整体语义不受影响的同时，逐步变形输入模型的部分区域。实验证明，我们的方法能够在各种类型和风格的输入模型上生成多样且高质量的增强三维形状，并相对于之前的方法取得了显著的改进。定量评估表明，我们的方法有效提升了其他后续三维生成算法所生成形状的新颖性和质量。
deep learning3d modelsefficient 3d seam carvingaugmentation method3d generation algorithms
发现论文，激发创造
  • 利用变形场进行视觉数据重定向

    基于神经网络的位移字段描述图像编辑和重定向，适用于不同类型的视觉数据，并且在内容感知重定向方面表现优于之前的方法。

    Nov, 2023

  • E3D: 基于事件的 3D 形状重建

    本论文介绍了基于事件相机和神经网络的三维形状重建方法，通过事件到轮廓 (E2S) 神经网络模块和三维可微分渲染器 (PyTorch3D) 来实现视图间的一致性和微调，同时介绍了一种基于公开数据集的三维 - 事件模拟管线来生成监督学习的训练对。

    Dec, 2020

  • DCSM 2.0：深度条件形状模型用于高效数据分割

    使用深度条件形状模型 2.0，结合边缘检测器和基于边缘图的隐式形状函数，在低数据环境中实现医学图像分割的高效率，从而提高数据利用率并取得了比基准方法更好的性能。

    Jun, 2024

  • 从低分辨率图像和视频中重建 3D 人体姿态、形状和纹理

    本文提出了一种名为 RSC-Net 的算法，通过分辨率感知网络、自监督损失和对比学习方案来学习跨分辨率的三维人体姿态和形状，并通过低分辨率输入进行重建，优于现有的方法。

    Mar, 2021

  • 单张低分辨率图像中的 3D 人体形状和姿态的自监督学习

    该论文提出了一种名为 RSC-Net 的算法，它通过 resolution-aware network、self-supervision 和 contrastive learning scheme 解决了低分辨率输入图像对姿态和人体形状估计的挑战，并在弱监督条件下实现了更好的结果。

    Jul, 2020

  • En3D：从 2D 合成数据雕刻 3D 人体的增强生成模型

    通过以人为基础的准确物理建模，我们提出了一种增强的生成方案 En3D，能够从合成的平衡、多样化和结构化的人类图像中，准确地模拟具有逼真外观的通用化 3D 人物。

    Jan, 2024

  • OpenShape: 三维形状表达的扩展，向开放世界理解的规模化发展

    本文介绍 OpenShape 方法，它是一种用于学习文本、图像和点云的多模式联合表示的方法。OpenShape 采用常用的多模式对比学习框架进行表示对齐，但专注于扩展 3D 表示，以实现开放世界 3D 形状理解，并通过配合 CLIP 嵌入实现不同领域的应用。

    May, 2023

  • 基于 Seam Carving 和 Parental Labeling 的快速视频重定向

    提出一种基于 seam carving 的新型视频重定向算法，通过动态时空缓冲区的能量图和标准差运算符，去除具有较低能量变化的区域，同时采用一种改进的能量函数来考虑运动信息，对现有的视频重定向方法进行比较。实现了 93% 的处理时间降低和更高的帧一致性。

    Mar, 2019

  • SCoDA：面向真实扫描的域自适应形状完成

    该研究提出了一种新的任务 SCoDA，通过从合成数据到真实数据的领域自适应解决真实扫描形状完整性的问题，并使用一个新的数据集 ScanSalon 进行评估，提出了跨域特征融合方法和自我训练框架。实验证明改进了 6％至 7％的 mIoU。

    Apr, 2023

  • 弱监督学习下的精确三维人脸重构：从单张图像到图像集

    本文提出了一种使用深度学习技术进行 3D 面部重建的新方法，其中使用了混合损失函数进行弱监督学习，同时利用多个图像进行面部重建，实现了快速、准确、鲁棒的重建效果，对不同数据集进行了综合实验，并与 15 种现有方法进行了比较，证明了其性能处于领先地位。

    Mar, 2019