- D'OH:仅解码的随机超网络用于隐式神经表示
通过运行时解码器的超网络 (D'OH) 在单个实例信号中初始化深度隐式函数的策略,提供了一种自然的方法来改变神经表示的内存占用,而无需在备选低速率结构空间上进行昂贵的神经架构搜索。
- AAAI非刚性物体的跨类别信号隐式建模
通过多物体深度隐式函数模型(MODIF),我们提出了一种学习多个非刚性实例的变形场和实例特定潜在代码的方法,以实现精确、无碰撞的形状表示,并在医学基准测试中展示了其优越性能。
- 人作为点:从单视角 RGB 图像中显式基于点的 3D 人体重建
通过采用点云作为目标几何结构的中间表示,该研究论文调查了一种名为 HaP 的显式基于点云的人体重建框架,通过完全显式地进行点云的估计、处理、生成和优化来解决现有学习方法在灵活性、普适性、稳健性和表达能力方面的局限性。
- 自适应局部基函数形状完成
本文针对使用深度隐式函数从部分点云中完成 3D 形状的任务进行研究,利用自适应本地基函数,提出了一种局部对局部形状完成框架,该算法能够在完成过程中保留局部几何细节并且比现有方法都有着更好的表现,同时也具有更好的泛化能力和性能。
- 基于三平面的混合神经变形流形用于形状表示和生成
本文介绍了一种新的神经网络模型 HNDF (Hybrid Neural Diffeomorphic Flow),用于三维形状重建和生成,通过学习数据样本中的隐式函数,对细节信息进行拆分和处理,进一步实现高质量的三维形状再现和生成。
- ECCV使用表面码进行三维表示的潜在分区隐式
该论文提出了一种新颖的隐式表示 ——Latent Partition Implicit(LPI)方法,通过使用表面编码将 3D 形状表示为部件集以提高建模准确性和可解释性,并在广泛使用的基准测试中胜过最新的方法。
- 基于隐式表面函数的快速三维形状重建的 TaylorImNet
本研究提出使用 Taylor 级数的 TaylorImNet 模型来拟合连续隐式函数,该模型可以在不牺牲高分辨率的情况下提高 3D 形状生成的速度和精度。
- ECCV从单张图像实现的 3D 物体绑定
通过单个图像的三维重建,提出自动化构建三维对象并嵌入关节骨架的框架,结合深度隐式函数的多头结构骨架概率场估计方法进行骨架提取预测,并在公共数据集和专有数据集上表现出良好性能。
- CVPRFunction4D:基于极稀疏消费级 RGBD 传感器的实时人体体积捕获
本文提出了一种结合时间体积融合和深度隐式函数的人体体积捕捉方法,该方法不仅可以实现高质量、连续的重建,而且可以生成包含几何细节和更加逼真的纹理结果的细节保留深度隐式函数,实验结果表明,该方法在稀疏视角、泛化能力、重建质量和运行效率方面优于现 - 利用本地深度隐函数对 LiDAR 数据进行语义场景补全
本文提出了一种新型的场景分割网络,基于本地 Deep Implicit Functions 的方法,用于语义场景补全,并将其在经过语义注释的 LiDAR 扫描上验证了其性能的优越性。