May, 2024

PivotMesh: 通过中心顶点引导的通用 3D 网格生成

PDF
TL;DRPivotMesh 是一种通用且可扩展的网格生成框架，通过使用 transformer-based auto-encoder 将网格编码为离散标记，并通过层次结构从面到顶点解码，首先生成粗网格表示，然后使用相同的自回归 Transformer 生成完整的网格标记，以实现对大规模数据集的原始网格建模。
3d meshesgenerative modelsmesh distributionpivotmeshmesh generation
发现论文，激发创造
  • MeshGPT: 基于解码器的变压器生成三角网格

    通过使用基于序列的方法，我们引入了 MeshGPT 这一新的三角网格生成方法，有效地模拟了艺术家创建的三角网格的紧凑特征，并且在各个类别中，形状覆盖率提高了 9%，FID 得分提高了 30 个点。

    Nov, 2023

  • PolyGen: 一个三维网格的自回归生成模型

    该研究论文介绍了一种基于 Transformer 的方法来直接建模多边形网格，并通过输入不同的对象类别、体素和图像等信息，生成可用的高质量网格，同时在表面重建指标上表现出很好的性能。

    Feb, 2020

  • MeshDiffusion：基于评分的生成式 3D 网格建模

    本文提出了一种基于可变四面体网格的扩散模型，用于生成具有细粒度几何细节的 3D 网格，以适用于自动场景生成和物理模拟等各种应用。

    Mar, 2023

  • 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

  • MeT：用于三维网格语义分割的图变换器

    提出了一种基于 Transformer 以及 Laplacian 特征编码的多边形网格的语义分割方法，并在 Shape COSEG 数据集、人类分割数据集以及 ShapeNet 基准上实现了最先进的性能。

    Jul, 2023

  • MeshMAE: 用于三维网格数据分析的遮罩自编码器

    本文探讨了将自监督预训练用于基于 transformers 的 3D 网格数据分析的学习范式，并首先将 Vision Transformer 适应到 3D 网格数据处理中，即 Mesh Transformer，并通过 MAE 的启发，在 3D 网格数据上进行自学习，提出了 MeshMAE 方法，可以提供 3D 网格分析任务的最新性能，并证明了我们方法中关键设计的有效性。

    Jul, 2022

  • 变分自编码器用于形变三维网格模型

    本文介绍了一种基于神经网络和自动编码器的新型框架 —— 网格变分自编码器来研究分析具有形变的 3D 网格，通过在概率潜空间中探索 3D 表面，既可以代表 3D 动画序列，也可以代表同一类别的对象集合，具有大规模非线性形变的多样形状，广泛的实验表明我们的方法可以实现不同的形状性能，如形状生成、形状内插，形状空间嵌入和形状探索，取得了超越最先进方法的结果。

    Sep, 2017

  • 从真实世界图像中学习纹理三维网格的生成模型

    本文提出了一种基于 GAN 框架生成纹理三角形网格的方法，可以不依赖关键点注释，同时在 ImageNet 上设置了新的基准，相比基于真实关键点的先前方法性能相当。

    Mar, 2021

  • GEOMetrics: 利用几何结构对编码为图的物体进行优化

    本文提出了一种基于图卷积的自适应分裂启发式方法，利用几何对象的图表示的附加结构来提高重建，优化本地表面和全局结构，应用于 ShapeNet 数据集的 3D 物体重建任务中，生成了具有最先进表现的自适应网格。

    Jan, 2019

  • 3D 点云的生成模型

    本研究的目的是通过实验转换编码器、潜空间流模型和自回归解码器等方法来改进点云潜空间生成模型的性能，并对这些模型在不同物体类型上的生成和重构性能进行分析和比较。

    Feb, 2023