Jun, 2024

规范化整合域：从点云中重建动态形状

PDF
TL;DR我们提出了规范合并场（CanFields）：一种将独立采样的时间序列点云重建为单一变形的连贯形状的方法。我们的方法通过将点云合并成一个规范形状来减少噪声和离群值的影响，并且允许我们处理缺失的区域。通过同时重构引导变形的速度场，我们保留了几何的高频细节，同时忠实地再现了低频变形。我们的架构具有简单的组件，并适用于任何单个输入形状，不需要使用数据集。我们在包括缺失区域、稀疏帧和噪声在内的各种动态点云基准上展示了我们方法的鲁棒性和准确性。
canonical consolidation fieldstime seriesshape reconstructionmotion capturepoint clouds
发现论文，激发创造
  • 动态点场

    本文提出了一种动态点场模型，它将显式点图形的表现优势与隐式形变网络相结合，以便有效地建模非刚性 3D 表面，并演示了该模型在创建表情逼真的可动人体形象方面的优势。

    Apr, 2023

  • 使用深度隐式场从点云中重建紧凑建筑模型

    本文提出了一种通过自适应空间划分生成细胞复合体、利用深度神经网络了解区域内占用情况、通过组合优化提取建筑物外表面的新型框架来从点云中重建紧凑、完全、多边形建筑模型的方法，并通过实验表明该方法具有较高的保真度、紧凑性和计算效率。

    Dec, 2021

  • 混合神经场的规范因子

    通过学习一组规范化变换来消除神经场建模中所引入的偏差，我们提出了 TILTED 架构，该架构可以改善表示的效率，并在图像、有符号距离和亮度场重建任务中表现出质量、鲁棒性、紧凑性和运行时间方面的提升。

    Aug, 2023

  • 野外场景弱监督 3D 形状补全

    本研究利用弱监督的方法，通过多视角几何约束来同时估计 3D 的标准形状和 6 自由度姿态，解决了学习未对准和真实世界部分点云的情况下，利用大量数据进行 3D 形状补全的问题。实验证明，学习姿势估计可以促进部分点云的配准。

    Aug, 2020

  • EC-Net：一种边缘感知的点集融合网络

    介绍了第一种基于深度学习的边缘感知技术，用于辅助点云的合并。通过处理本地 patches 中的点并训练其以学习和有针对性地巩固点，并且通过回归组件来恢复 3D 点坐标和点到边缘距离，并采用边缘感知的联合损失函数直接最小化输出点到 3D 网格和边缘之间的距离。

    Jul, 2018

  • 基于点云的深度学习框架在不规则几何形态流动场预测中的应用

    本文提出了一种新颖的基于 PointNet 架构的深度学习框架，用于在几何形状无规则的区域中进行流场预测，该方法实现了在边界平滑性和小尺度几何变化检测方面的优化，并且能够比传统 CFD 解算器快数百倍且保持较高的准确度。

    Oct, 2020

  • 宁静之云：用神经网络学习点云时空相干特征

    研究介绍了一种用于 Lagrangian 形式下的点云的机器学习方法，该方法可以学习稳定和具有时间相关性的特征，以解决在这些方法中存在的固有问题，例如点云形成的 halo 结构。

    Jul, 2019

  • ConDor：针对部分形状的 3D 姿势自监督规范化

    ConDor 是一种自监督学习方法，用于学习规范化 3D 位姿，能够处理来自互联网模型集合或深度传感器的任意姿态的物体，基于 Tensor Field Networks，利用自监督损失从非规范化的 3D 点云集合中学习规范化的 3D 位姿和共同切割物体部分，实现出色的定量结果和注释迁移等新应用。

    Jan, 2022

  • 可控的人体动作合成的基于点的辐射场

    该论文提出了一种基于静态基于点的辐射场的新颖可控人体动作合成方法，通过编码点云转换来应用变形，并利用奇异值分解估计局部旋转以使渲染结果与规范空间训练一致。实验表明，我们的方法在精细级复杂变形方面明显优于现有技术，且可推广到除人物之外的其他 3D 角色。

    Oct, 2023

  • 基于拓扑感知的变形场单视图三维重建

    无需对齐的图像集合，基于拓扑意识的隐式形变场的学习、随后进行形状重构，该方法名为 TARS，在多个数据集中均取得了最先进的重构精度 (ShapeNet, Pascal3D+, CUB, and Pix3D chairs)。

    May, 2022