自主学习的双轮廓化

May, 2024

Self-Supervised Dual Contouring

Ramana Sundararaman, Roman Klokov, Maks Ovsjanikov

TL;DR基于学习的等值面提取方法是一种强大且高效的替代公理技术的新兴方法。然而，绝大多数这类方法依赖于带有公理计算出的真值标签的监督训练，因此会潜在地继承相应公理方法的偏见和数据伪现象。为了避免这种依赖性，我们提出了一种针对神经双轮廓网格化框架的自监督训练方案，即自监督双轮廓（SDC）。我们使用两种全新的自监督损失函数，而非通过监督训练优化预测的网格顶点，以鼓励生成的网格与距离的一阶一致性。SDC 重建的网格在捕捉细节方面优于现有的数据驱动方法，同时对输入的可能不规则性更具鲁棒性。此外，我们使用相同的自监督训练目标连接推断网格和输入 SDF，以规范 Deep Implicit Networks（DINs）的训练过程。我们证明由此得到的 DINs 生成更高质量的隐式函数，最终相比先前的基准方法更准确且保留了更多细节的曲面。最后，我们证明我们的自监督损失通过实现预测 SDF 和生成输出网格的联合训练，提高了单视角重建任务的网格化性能。我们以此 https URL 开源我们的代码。

Abstract

learning-based isosurface extraction methods have recently emerged as a robust and efficient alternative to axiomatic techniques. However, the vast majority of such approaches rely on supervised training with axiomatically computed ground truths, thus potentially inheriting biases and

learning-based isosurface extraction self-supervised training neural dual contouring deep implicit networks meshing performance

发现论文，激发创造

神经双等高线

介绍了神经双等高线 (NDC) 方法，该方法使用神经网络来预测网格结构，并从符号或无符号的距离场、二进制体素网格或点云中生成网格，最终产生更好的曲面重建准确度、特征保留、输出复杂度、三角形质量和推断时间。

Feb, 2022

自监督对比表示学习用于三维网格分割

提出了一种自监督对比学习方法 SSL-MeshCNN 用于预训练 CNNs 从而解决三角形网格难以准确定义的问题，该方法表现出降低网格分割所需标记数据的可行性

Aug, 2022

使用三维先验增强二维表示学习

通过在训练过程中直接强制将强大的三维结构先验性知识融入模型，我们提出了一种新的方法来加强现有的自监督学习方法，并通过一系列数据集实验证明了我们的三维感知表示比传统的自监督基线更加稳健。

Jun, 2024

使用自监督图卷积网络学习网格修复的自我先验

本研究提出一种自我先验的网格修补框架，通过引入两个自监督图卷积网络训练来实现，从而在不需要任何训练数据集的情况下只需一个不完整的网格作为输入，并在修补过程中保持原始多边形网格格式，最终可以生成一个修补好的多边形网格。

May, 2023

提升几何建模能力的自监督学习在三维感知生成对抗网络中的应用

通过自监督学习技术，我们提出了一种适用于任何 3D-GAN 的辅助损失，旨在改进其 3D 几何建模能力，并通过综合实验证实了该方法的有效性。

Dec, 2023

多模态非刚性三维形状匹配的自监督学习

通过将基于网格的功能映射正则化与连续损失相结合的自监督多模态学习策略相结合，我们提出了一种形状匹配方法，它能够针对三角形网格、完整点云和部分观测点云获得同模式和跨模态的对应关系，并在多个基准数据集上取得了最先进的结果，具有先前未见的跨数据集普适性。

Mar, 2023

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

跨模态和跨视角自监督特征学习

通过利用跨模式和视角的对应关系，该论文提出了一种新颖且有效的自监督学习方法，联合学习 2D 图像特征和 3D 点云特征，并通过神经网络评估跨模态的对应关系，而无需使用人工标注标签。

Apr, 2020

CrossPoint: 自监督的跨模态对比学习，用于三维点云理解

本研究提出了一种名为 CrossPoint 的简单跨模态对比学习方法，通过自监督学习，在不需要人类标注的情况下，实现可转移的三维点云表示，通过最大化点云和相应渲染的二维图像之间的协议，实现了三维物体分类和分割等多项任务，并验证了我们的方法在提高点云理解方面的效果。

Mar, 2022

通过优化引导的循环自训练实现无监督三维配准

本篇论文提出了一种基于自我训练的自监督学习方法，利用可微分的基于特征的优化器进行无监督匹配，通过不断迭代学习，得到更精确的结果，并在腹部和肺部配准方面实验表现比基于度量的监视方法更好，超越了各种最先进的竞争方法。

Jun, 2023