May, 2024

3D 神经边缘重建

PDF
TL;DRReal-world objects and environments predominantly consist of edge features. In this paper, the authors propose EMAP, a method for learning 3D edge representations using both lines and curves, utilizing Unsigned Distance Functions (UDF) from multi-view edge maps. The method achieves better 3D edge reconstruction and enhances neural surface reconstruction by capturing more details.
edge featuresemap3d edge representationsunsigned distance functions (udf)neural surface reconstruction
发现论文，激发创造
  • 统计边缘检测与形状表示的 UDF 学习

    本文提出了一种改进神经 UDF 学习的方法，通过集中学习表面边缘来提高神经 UDF 对原始 3D 表面的保真度，并提出了一种基于统计学方法的表面边缘检测技术。

    May, 2024

  • NEF: 从多视图图像中重建三维参数化曲线的神经边缘场

    研究重建物体的三维特征曲线的问题，引入神经边缘场来学习三维边缘的密度分布，在没有三维几何操作或交叉视图边缘对应的监督下，借助基于视图渲染的可微优化处理，从视图提取地面真值边缘图与渲染边缘图进行比较以进行优化，最后通过迭代优化法从神经边缘场中提取参数三维曲线，实验结果表明，在基准测试中，该模型在所有指标上均优于现有的最先进方法。

    Mar, 2023

  • 神经向量场：显式学习的隐式表示

    本文提出了一种新的 3D 表示方法，神经向量场（NVF），该方法充分利用了显式学习过程和隐式函数表示的强大表示能力，通过从查询向表面预测位移并使用矢量场对形状进行建模来打破分辨率和拓扑中的障碍，进而提出了一个基于矢量量化的形状代码本学习方法，最终实现了在不同的评价场景下优于最先进方法的结果，包括完整及非完整形状的构建、类别特定和类别不可知构建、类别未知构建和跨域构建。

    Mar, 2023

  • NeUDF：利用体渲染学习神经无符号距离场

    本文介绍了一种新的神经渲染框架，名为 nEudf，它可以仅通过多视图监督来重建具有任意拓扑结构的表面；多次实验结果表明，相对于已有的多视图表面重建方法，nEudf 在重建形状复杂、具有开放边界的物体时表现更卓越。

    Apr, 2023

  • NeuralUDF: 学习无符号距离场进行任意拓扑表面的多视角重建

    本文提出 NeuralUDF 方法，通过体绘制从 2D 图像重建任意拓扑表面，使用无符号距离函数表示表面，成功实现复杂形态的非封闭形状高质量重建。

    Nov, 2022

  • PIE-NET: 点云边缘参数推断

    介绍了一种基于神经网络的端到端可学习技术，用于鲁棒地辨识三维点云数据中的特征边缘并采用参数曲线表示，该技术为 PIE-NET，采用区域提议结构训练模型，并在大型 CAD 模型数据集 ABC 上对其进行训练和评价，结果显示其边缘检测性能优于传统和基于深度学习的算法。

    Jul, 2020

  • 学习局部形状函数的无符号距离场用于三维表面重建

    利用局部形状函数学习无符号距离场（UDF）的神经框架 LoSF-UDF，从 3D 点云重建表面，无需针对具体形状进行训练，并且对于点云中的噪声和异常值表现出增强的鲁棒性。

    Jul, 2024

  • 3D 线条映射再探讨

    本文介绍了一种名为 LIMAP 的库，用于从多视角图像中稳健高效地创建 3D 线路图，该库通过重新审视线三角化的退化问题、精心制作的得分和跟踪构建以及利用线 / 点的结构先验知识来实现。在全面实验中，我们展示了 LIMAP 在 3D 线路图上显着优于现有方法，并且我们的稳健 3D 线路图也开辟了新的研究方向：视觉本地化和束调整。

    Mar, 2023

  • 表示相机重定位的三维稀疏地图点和线

    通过利用一个轻量级神经网络，我们展示了如何学习表示三维点和线特征，并通过多个学习映射的力量在姿态准确性方面取得领先的结果。我们通过使用一个转换器块编码线特征，将其有效地转化为独特的点式描述符，并在几个图层中集成自注意力和交叉注意力，从而有效地优化每个特征后使用两个简单的多层感知器进行三维地图回归。在综合实验中，我们的室内定位结果在基于点和基于线的配置上都超过了 Hloc 和 Limap 的结果。而且，在户外场景中，我们的方法取得了显著的领先地位，是目前基于学习的方法中最重要的改进。

    Feb, 2024

  • EMIE-MAP: 基于显式网格和隐式编码的大规模道路表面重建

    基于显式网格与隐式编码，提出一种用于大规模道路表面重建的新方法，通过区分场景物理属性和相机特性实现视角适应的道路重建，取得了优异的重建性能。

    Mar, 2024