- CVPR通过局部形状变换学习 SO (3) 不变的语义对应关系
提出了一种自我监督的旋转不变三维对应学习器,在具有挑战性的类内差异和任意方向下学习建立形状间的密集对应关系。
- ICCV个性化 3D 人体姿势和形状优化
我们提出使用密集对应将人体模型的初步估计与相应的图像生成关联,以便优化初步估计的过程。我们将 3D 模型的渲染结果用于预测合成图像与 RGB 图像之间的像素级 2D 位移,从而有效地整合和利用人体外观信息。通过最小化投影损失,我们可以将像素 - 图像高密度瞬时对齐通过相机位姿和深度估计
本文介绍了一种新颖的方法来对手持相机拍摄的图像进行细微对齐。与传统的技术不同,该算法通过优化每个像素的摄像机运动、表面深度和方向来建立密集对应关系。这种方法改善了在具有视差挑战的情况下的对齐效果。通过对具有小型或短小基线的合成连拍进行广泛实 - 通过密集对应学习从无行为视频中行动
通过使用图像作为任务非特定的表示,编码状态和动作信息,以及使用文本作为设置机器人目标的一般表示,我们提出了一种构建视频机器人策略的方法,可以在没有使用任何动作注释的情况下,从少量视频示例中可靠地执行不同机器人和环境中的各种任务。
- 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。
- ASIC: 对野外稀疏图像集的对齐
该研究提出了一种自监督技术的目标对象排列方法,使用神经网络将图像集映射到学习的规范网格,从而使得得到的密集一一对应点更加准确和稳定。
- DPODv2:基于密集对应的 6 自由度姿态估计
本文提出了一种基于密集对应的三阶段六自由度物体检测方法,称为 DPODv2(密集姿势物体检测器),结合了 2D 物体检测与密集对应估计网络以及多视图姿态细化方法来估计完整的 6 自由度姿态,其使用了不同成像模式(RGB 或 Depth)作为 - DPFM: 深度部分函数映射
本文提出一种基于功能映射框架的学习方法,用于直接解决非刚性形状对应问题,包括局部对应和参考地图未知情况下的对应,该方法可以在监督或无监督的情况下进行训练,从数据中直接学习描述符,提高了模型的稳健性和精度,在多个基准数据集上取得了最新的研究成 - 级联关系和递归重建网络实现类别级 6D 物体位姿估计
本文提出利用级联关系网络和递归重建网络进行精确的类别级别 6D 姿态估计,并通过稠密对应关系获得实例的 6D 姿态。
- ICCV通过对齐学习:利用跨模态对应关系进行可见光 - 红外人员再识别
本研究提出了一种新颖的特征学习框架,通过利用密集对应的交叉模态人物图像,像素级地抑制与模态相关的特征,从而更有效地促进交叉模态本地特征的判别式特征学习,从而解决了可见 - 红外人物重识别的问题。
- ICCV无监督学习密集对应关系的变形一致性
本文提出了一种新的无监督学习方法 ——Warp Consistency,来解决实际图像匹配中出现的大外观变化的问题,并在多个有挑战性的基准数据集上取得了新的最高水平。
- HumanGPS: 密集人体对应关键点的测地保持特征
本文提出了一种利用深度学习框架将每个像素映射到特征空间的方法来构建人类图像之间的密集对应关系,并提出了新的损失函数来推动特征根据它们在表面上的测地距离分开,实现视觉上相似的部分差异化以及通过统一的特征空间对不同的主题进行对齐,实验结果表明, - CVPR通过提取外观流实现无需解析器的虚拟试穿
本研究提出一种新方法 --“师父 - 导师 - 学生” 知识蒸馏,以解决图像虚拟试穿中的差错分割导致的视觉伪影问题,通过提取真实人物图像中的 “导师知识” 和虚拟试穿图像产生的 “辅导知识”,形成密集的对应关系,显著提高了试穿效果,更具有实 - CVPR学习准确的密集对应关系及其可信度
提出了一种基于概率的方法,通过学习流场预测和不确定性,建立两幅图像间的密集对应关系,同时估计像素级置信度和可靠性,通过受限混合模型等方法建立更好的流预测和异常点建模,通过实验证明该方法在多个具有挑战性的几何匹配和光流估计数据集上具有最先进的 - 连续表面嵌入
提出一种学习图像密集对应的新模型,能对几何形状不同的物体进行自动化且简单的密集姿态估计,适用于人类和动物类的各种变形物体。
- 基于线性不变嵌入的对应学习
本文提出了一种全可微的流程,用于估计三维点云之间的准确密集对应,基于从数据学习基础并使用嵌入网络,实现端到端可训练的对应方法,在挑战性的非刚性三维点云对应应用中实现了最新的结果。
- ECCV循环映射:Sinkhorn 正则化的无监督点云形状学习
提出了一种基于无监督学习框架的密集对应点云的预定任务模型,并且加入了基于 Sinkhorn 正则化,提高模型的鲁棒性,通过实验表明通过我们的模型能够学习出对各种点云分析任务有益的点对点的特征信息。
- 神经非刚性跟踪
该研究提出了一种新颖的端到端可学习的、可微的非刚性运动跟踪器,通过学习的鲁棒优化实现了最先进的非刚性重建。
- 学习将服装图像的纹理转移到 3D 人体模型
提出一种将服装图像的纹理自动转移到穿着在人体模型上的 3D 服装的方法,并在不需要纹理信息的情况下实现,速度比传统方法更快,从而实现了更准确的模型,这为虚拟试穿等应用提供了新的途径。
- CVPRGLU-Net:用于稠密光流和对应关系的全局 - 局部通用网络
我们提出了一种通用的网络架构 GLU-Net,它可以直接应用于所有密集对应的问题,并通过结合全局和局部相关层来同时实现高精度和对大位移的鲁棒性。当使用相同的网络和权重时,此 GLU-Net 在几何和语义匹配以及光流方面都达到了最先进的性能。