- 基于网格交叉预测的点云表面重建
通过直接预测采样的点对之间线段与隐式表面的交点,本文提出了一种新的方法,既能够有效地表示开放表面,又能够消除网格中的伪影。在 ShapeNet、MGN 和 ScanNet 三个数据集上,我们的方法展示了最先进的性能。
- 神经隐式表面的参数化的双向变形
本文提出了一种用于神经隐式表面的简单参数化的新型神经算法,以促进可视化和各种编辑任务,并支持多个对象的共同参数化和纹理传递。
- CVPRLevel-S$^2$fM: 基于神经隐式面积边界的运动结构恢复
本文提出了一种神经增量结构运动(SfM)方法 Level-S $ ^ 2 $ fM,通过从建立的关键点对应关系中学习坐标 MLPs 来估计相机姿态和场景几何。
- DIG: 在人体上覆盖隐式服装
我们提出了一种使用隐式曲面表示衣服、学习受关节体模型形状和姿势参数影响的蒙皮场的端到端可微管道来处理任意拓扑衣物的方法,并提出了一种防止体 - 衣物相互穿插和减少艺术品的预处理策略和新的训练损失。经实验证明,我们的方法相比于现有的方法,可以 - 具有挑战性服装的人体神经点基形状建模
该研究通过使用可以捕捉衣物粗糙表面几何特征的学习的非规范化本地变形来解决现有点云或隐式表面建模方法对衣服建模的不足,可以用于学习人物特定的化身并演示其动画效果,并能从原始扫描直接学习,使得创建逼真化身的过程大大简化。
- ECCV一种用于显式流形下神经隐式演化的水平集理论
该论文提出了一种基于神经网络的隐式表面的参数化方法,利用能量最小化问题和水平集理论,实现对隐式表面的形变和后处理操作,这种方法优于已有方法在表面平滑、均值曲率流等方面的表现。
- CVPRGRAM:用于 3D 感知图像生成的生成辐射流多面体
提出一种在三维体积中学习隐式表面的方法,从而有效地进行点采样和辐射场学习,在保持 3D 一致性的同时生成高质量、具有真实细节的图像。
- 使用高效实现的解析行进法从深层隐式曲面网络中学习和网格化
该论文研究了通过解析空间碎片恢复存在于其中的显式立体网格,对于基于感知神经网络的隐式表面的网格化等问题提出了透彻的理论,并给出了一种名为 AnalyticMesh 的软件,通过 CUDA 并行计算支持高效的隐式表面网格化及造型处理
- 无需三维监督学习推断隐式曲面
本研究提出了一种基于射线场探测技术的隐式表面的学习方法,以及一种泛函约束方法,用于无需三维监督的三维形状推断。实验表明,在单视角基础上,使用我们的方法从图像中重建三维模型,无论是定量还是定性上都优于现有技术。