- TetSphere Splatting: 用拉格朗日体网格表示高质量几何体
我们提出了 TetSphere 喷洒,一种用于重建高质量几何形状的显式的拉格朗日表示。与传统的物体重建方法不同,它主要使用欧拉表示,包括神经隐式方法(如 NeRF,NeuS)和显式表示方法(如 DMTet),通常在高计算需求和低优化网格质量 - MotionDreamer:从视频扩散模型中实现零样本 3D 网格动画
基于视频扩散模型的自动重新动画化技术,通过利用扩散特征和显式基于网格的表示方法,实现对任意 3D 形状的准确动画拟合。
- PT43D:基于单一高度模糊 RGB 图像生成三维形状的概率变换器
提出了一种基于 Transformer 的自回归模型,根据可能以高度模糊的观测图像为基础的 RGB 图像,生成 3D 形状的概率分布,该模型采用交叉注意力机制,有效地识别形状生成的最相关兴趣区域,并在合成数据和真实数据上得到优于现有方法的结 - COM3D: 跨视图对应和跨模态挖掘在 3D 检索中的应用
研究中提出了 COM3D 方法,利用跨视图对应和跨模态挖掘来增强检索性能,并通过半硬负样本挖掘优化跨模态匹配过程,取得了 Text2Shape 数据集上最优的结果。
- 几何一致性下的部分对部分形状匹配
我们的研究建立在几何一致性为重要约束的基础上,利用三角形乘积空间的新型整数非线性规划形式和基于线性整数规划的剪枝算法,在部分 - 部分匹配中实现了几何一致性,并生成了一个新的跨类别数据集,我们的方法在已有的类内数据集和我们的新跨类别数据集上 - T-Pixel2Mesh: 使用全局和局部变换器从单张图像生成 3D 网格
基于传统的像素到网格变形方法 Pixel2Mesh,本文提出了一种名为 T-Pixel2Mesh 的新型转换增强架构,通过全局 Transformer 控制整体形状和局部 Transformer 逐步细化局部几何细节,结合基于图的点上采样, - 拓扑感知的潜在扩散用于 3D 形状生成
我们介绍了一个新的生成模型,它将潜在扩散与持续同调相结合,以创建具有高多样性的 3D 形状,重点关注它们的拓扑特征。
- 未见类别上的 3D 形状完成:一种弱监督方法
通过构建先验库和分析输入和先验之间的相关性,本文提出了一种弱监督框架来从未见过的类别中重建完整的 3D 形状,并通过自监督形状细化模型进一步改进了粗糙形状,实验证明我们的方法明显优于现有方法。
- 多元部分合成用于 3D 形状创建
采用神经网络合成三维形状的方法中引入了基于部件表示的方法,在过去几年中已经出现。然而,当前方法不容易根据用户的偏好重新生成单个形状部件。本文研究了允许用户生成多个多样化部件建议的技术,特别是实验了先前的形状合成工作中未考虑的多模态深度生成模 - TextureDreamer:基于几何感知扩散的图像引导纹理合成
TextureDreamer 是一种新颖的图像引导纹理合成方法,能够将可在任何类别的目标 3D 形状上转移到少量输入图像(3 到 5 张)中的纹理。
- 三维生成模型的镶嵌 —SDF 方法
本文介绍了一种新的 3D 形状表示方法,名为 Mosaic-SDF(M-SDF),它通过使用一组分布在形状边界附近的局部网格来近似给定形状的有符号距离函数(SDF)。M-SDF 表示具有高效计算、参数效率和与基于 Transformer 的 - 回归 3D:基于反投影的 2D 特征的少样本 3D 关键点检测
探索基础模型在 3D 形状的关键点检测任务中的应用,通过将大型预训练 2D 视觉模型的特征反投影到 3D 形状并利用它们来获取富含语义信息的稳健 3D 特征,然后使用关键点候选优化模块匹配形状上的关键点分布,该方法在 KeyPointNet - Surf-D: 基于扩散模型的任意拓扑结构的高质量曲面生成
本文介绍了 Surf-D 方法,一种使用扩散模型在任意拓扑结构上生成高质量三维形状表面的新方法。通过采用无符号距离场(UDF)作为表面表示,能够处理任意拓扑结构并生成复杂形状,解决了先前方法在拓扑结构和几何细节方面的限制。通过点云自编码器学 - EXIM:一种用于文本引导的 3D 形状生成的混合显式 - 隐式表示方法
该论文提出了一种新的文本引导技术来生成 3D 形状,该技术利用了一种混合的 3D 形状表示,即 EXIM,结合了显式和隐式表示的优势。通过将形状和颜色分离,并在形状上生成颜色以确保形状 - 颜色的一致性,该混合方法实现了无需费时的形状优化或 - AcTExplore:未知物体上的主动触觉探索
利用强化学习驱动的主动触觉探索方法,通过有限步骤对物体进行重新构建,从而更好地理解物体结构并获取三维形状的表示,为机器人抓取和操作等基础任务提供有效的解决方案。
- 基于非结构化生成模型的可探索网格变形子空间
通过在预训练的生成模型子空间中构建一个易于导航的二维探索空间,将给定的一组标志性形状的变化转化为变形场,以便将这些变化传递到高质量的网格模型。
- 神经距离场的零级集编码器
使用神经网络进行神经形状表示,通过单次前向传递嵌入 3D 形状,无需明确的先验知识,有效地计算边界值 Eikonal 方程的近似解并展示了广泛的应用领域。
- ICCVSHIFT3D: 合成困惑 3D 检测器的硬输入
SHIFT3D 通过使用有符号距离函数(SDF)表示对象,并利用梯度错误信号来平滑地改变 3D 对象的形状或姿态,从而生成既具有结构合理性又对 3D 物体探测器具有挑战性的 3D 形状。这种方法为现代 3D 物体探测器提供了可解释的失败模式 - 几何一致的部分形状匹配
该论文提出了一种整合先进的深度形状特征到新型整数线性规划部分形状匹配公式的优化方法,能够在低分辨率的形状上获得全局最优解,并通过粗到精的过程进行改进,相比于现有的几何一致算法,我们的方法在处理部分形状时能够找到更可靠的结果且匹配更为平滑,同 - 神经语义表面地图
我们提出了一种自动化技术,用于计算两个零层面的形状之间的映射,将语义对应的区域互相匹配。我们的方法通过多个视点渲染一对 3D 形状,然后将生成的渲染输入到一个现成的图像匹配方法中,以利用预训练的视觉模型生成特征点。这产生了语义对应,可以投射