- 基于生成式 AI 的提示演化工程设计优化与视觉语言模型
工程设计优化需要高效结合三维形状表示、优化算法和设计性能评估方法,我们提出了一种在车辆设计场景中利用视觉语言模型来惩罚生成模型合成的不切实际汽车设计的快速演化设计优化 (PEDO) 框架。
- AAAI学习用于隐式神经表征的空间拼贴傅里叶基
通过引入可学习的空间掩码,将不同频率的傅里叶基函数有效地分配给各个区域,从而实现傅里叶拼贴,并能对复杂信号进行准确表示,该方法在各种 INR 任务中的实验表明,相较于现有基线模型,其重构质量更高,如图像拟合 PSNR 提高了 3dB 以上, - 关于超声图像切片在点分布模型中的定位
甲状腺疾病的超声诊断中,通过自动定位超声图像切片到三维形状表示,可以减轻医生的认知负担,并为超声诊断提供方便。使用交叉模态配准和统计形状模型,该方法表明可以在患者特异性的三维解剖学和统计形状模型上准确定位图像切片,并为超声采集过程中的切片定 - ICCV通过稠密对应实现可变形物体的隐式形状表示的自监督学习
使用自监督学习方法为可变形物体学习神经隐含形状表示法,无需特定语义领域的额外注释和大量变形约束,可用于纹理转移和形状编辑应用。
- IJCAI用样条位置编码学习三维隐式带符号距离场
本研究提出了一种新颖的位置编码方案 (Spline Positional Encoding),将输入坐标映射到高维空间,以帮助从无组织的 3D 点云中恢复带有细节的几何形状,从而进一步验证了该方法在 3D 形状重建和形状空间学习任务中的优势 - 深度内隐模板用于三维形状表示
本文提出了一种基于 Deep Implicit Templates 的新型三维形状表示方法,支持在深度隐式表示中进行显式的对应关系推理,并使用 Spatial Warping LSTM 解决推理过程中的空间变换问题,同时采用特殊的训练损失函 - ICLR训练数据生成网络:通过双层优化实现形状重建
提出了一种新的三维形状表示方法,用于从单个图像中重建三维形状。通过训练神经网络生成训练集,再利用元学习方法进行双层优化,建立了三维形状分析和少样本学习之间的联系。该方法结合了训练数据生成网络与双层优化算法,可以联合训练,提高了三维形状重建的 - 关于使用权重编码的神经式隐式三维形状的有效性研究
本研究证明了权重编码神经隐式方法可以作为第一类三维形状表示,并且通过引入一系列技术贡献来提高重建准确性、收敛性和鲁棒性,而且相比于之前的神经隐式方法,具有更好的鲁棒性,可扩展性和性能表现。
- CVPR3D 场景的本地隐式网格表示
本文提出了一种新的三维形状表示 —— 本地隐式网格表征,它适用于大型、多样化的室内场景,利用 autoencoder 学习局部数据的嵌入,再使用解码器实现形状优化,提高了基于稀疏点观测的三维表面重建结果。
- ECCV课程 DeepSDF
本文设计了一个形状课程用于学习连续有符号距离函数(SDF)的形状,由简单到复杂地扩展其难度,帮助提升三维形状重建的质量和训练效果。
- 形状推姿:任意三维物体的深度姿态估计
我们提出了一种完全通用的深度姿态估计方法,通过动态条件姿态估计和目标物体的 3D 模型表示相结合,能够对不属于预定义类别的自然实体进行训练并将其推广到全新类型的 3D 对象。
- MeshNet: 用于 3D 形状表示的网格神经网络
本研究提出了一种名为 MeshNet 的 Mesh 神经网络,用于从 Mesh 数据中学习 3D 形状表达,并应用于 3D 形状分类和检索任务,并通过与其他方法的比较,证明了该方法的有效性。
- ICCV3D-PRNN: 使用循环神经网络生成形状基元
该研究提出了基于 3D 图像的简单部件抽象形状表示方法,使用生成递归神经网络和高斯场生成大规模数据集,得到比另一种形状检索方法更好的结果。