- Part123:从单视角图像进行部位感知的三维重建
Part123 是一种新颖的从单视图图像进行部分感知三维重建的框架,通过扩散模型生成多视角一致图像,并利用 Segment Anything Model (SAM) 生成多视角分割蒙版,然后通过对比学习将 2D 基于部分信息有效地结合到三维 - 基于弗雷内框架的三维曲线结构分割方法
通过 Frenet-Frame-based 点云转换,FreSeg 提出了一个面向 3D 曲线结构的部分分割任务的框架,使模型能够学习更通用的特征,并在涉及细长和曲线几何形状的任务上取得了显著的性能改进。
- 基于面部局部分割的三维人脸重建
本研究通过引入面部部分分割几何特征并利用 Part Re-projection Distance Loss (PRDL) 来优化点集的分布,从而在面部重建方面展现出最先进的性能。
- CrashCar101: 损害评估的程序化生成
本文提出了使用合成数据进行汽车损伤评估的方法,通过训练计算机视觉系统进行图像的部件和损伤分割,并展示了合成数据在部件分割和损伤分割任务中的优势。
- OV-PARTS: 迈向开放词汇的部分分割
我们提出了一个开放词汇的部分分割 (OV-PARTS) 基准测试,涵盖了对象级开放词汇语义分割、部分分割和少样本适应能力等三个任务,并分析和使用现有方法的两个流行范例为 OV-PARTS 提供基础模型。
- 三平面混合神经场的神经处理
本文通过对三平面离散数据结构进行处理,展示了该结构具有丰富的信息,可以通过标准深度学习模型进行有效处理,并在处理过程中实现了与处理显式表示结构相当的任务性能,同时保持了相同的重建质量。
- 多模态预训练下的多任务 3D 建筑理解
本文旨在探究基于 BuildingNet 数据集的 3D 建筑类型分类和部件分割的多种学习策略,提出了使用扩展的 ULIP、PointNeXt 和 PointNeXt 分割方法进行分类和分割任务的解决方案。在多模态预训练的前提下,最佳的多任 - CVPR从物体形状推断和利用部件以提高语义图像合成
本文提出了 iPOSE 方法,利用预先定义少量的部分支持地图来学习一个 PartNet,从而推断部分并将其应用于语义图像合成,其中还引入了部分语义调制,通过实验结果表明该方法在 qualitativer 和 quantitativer 方面 - CVPR迈向基于开放世界的零件分割
本文提出了一种利用无类别部件分割来减少标注难度并能适用于未知目标的部件分割方法,并通过对象感知性和自监督学习的方式对此进行了改进。
- 使用开放词汇部分分割技术实现更密集的结果
本文提出了一个具有部分分割能力的检测器,可以通过多粒度对齐来预测开放词汇的物体和它们的部件分割,并通过密集语义对应将新物体解析为其部件。该方法在不同数据集上的实验表现优于基线方法,并且具有更好的数据通用性。
- IKEA-Manual: 逐步看清造型组装
本文介绍了 IKEA-Manual 数据集,提供了 102 个 IKEA 物体的图形化组装手册,包含细致全面的注释,以解决目前在构建能够执行装配任务的代理时,忽略了人类设计手册的信息的问题。该数据集有助于提高组装计划生成、部件分割、姿态估计 - ICLR用梯度匹配学习对部分分割进行注释
本文提出了一种半监督方法,使用预训练 GAN 生成图像,并使用自动注释器为 GANN 预测的图像标注对象的部分,有效地降低了有限标记示例下分割误差。
- ECCV利用粗略监督改善少样本部件分割
该研究提出了一种使用粗略标注来改进部分分割模型的框架,并成功地在 Caltech-UCSD birds 等数据集上将其应用于深度网络训练中。
- CVPR通过从合成车辆的无监督域自适应学习部件分割
本文提出使用无监督领域自适应 (UDA) 从合成数据学习部件分割的想法,并介绍了一种针对车辆的综合部件分割数据集 UDA-Part,然后提出一种新的 UDA 算法,利用物体的空间结构来指导适应过程,实验结果证实我们的方法优于现有方法,并展示 - ECCV使用近似凸分解在点云上进行标签有效学习
本文研究了在 3D 点云中使用 Approximate Convex Decompositions(ACD)进行自我监督训练的方法,以实现标签高效的学习点云表示。结果表明,ACD 提供了一种极佳的自我监督信号,可以有效地学习 3D 点云表示 - CVPRSCOPS: 自监督联合分割
本文提出了自监督深度学习方法,通过多种损失函数使分割结果既有几何的聚焦性,又能在不同物体实例之间保持语义一致性,实现即将物体分割的任务。研究表明,与现有的自监督技术相比,该方法能够产生更具语义一致性的分段,并且紧贴物体边界。
- CVPR点云上的环形卷积神经网络 A-CNN
本研究提出一种新的卷积方式,能够直接在 3D 点云上进行计算,并利用其环形结构捕捉每个点的局部邻域几何特征,通过应用于神经网络,实现了目标分类、部件分割和语义分割等任务,并在多个标准基准数据集上取得了比同类算法更好的结果。
- CVPR3D 点胶囊网络
此论文提出了 3D 点胶囊网络作为自动编码器的一个改进,它能处理稀疏的三维点云数据并保留其空间结构。动态路由和其独特的二维潜在空间使其改进了几个与点云相关的常见任务,如物体分类、物体重建和部分分割,并能使其实现部分插值和替换。
- SyncSpecCNN:用于 3D 形状分割的同步谱卷积神经网络
本文研究了基于图形表示的三维模型的语义注释问题,使用基于谱 CNN 的方法解决了权重共享和跨不同形状共享信息的挑战,实验表明在三维形状部件分割和关键点预测等任务中,取得了最先进的性能。
- CVPRPointNet:基于点集的深度学习用于三维分类和分割
本文提出 PointNet 网络,通过直接消耗点云数据并尊重其排列不变性,实现了一个统一的架构,可用于物体分类、局部分割和场景语义解析等多种应用,并在理论和实验方面都有较好表现。