- P2M2-Net:基于部件感知的引导式多模态点云补全
我们提出了一个基于提示的点云补全框架,名为 P2M2-Net,用于更可控和多样化的形状补全。通过使用 Transformer 模型,我们的框架能够高效地融合多模态特征并按照提示指导生成多样化的结果。我们在一个新的大规模 PartNet-Pr - AAAI具有质量感知形状补全的鲁棒三维跟踪
通过形状补全方法构建稠密而完整的点云目标表示,从而实现鲁棒的三维跟踪,并借助体素化的关系建模模块和框精炼模块提高跟踪性能。
- 通过风格调制的生成对抗网络实现多样化的形状补全
通过引入多样性惩罚和多尺度鉴别器,我们提出了一种新颖的条件生成对抗网络,可以从部分观察到的点云中生成多种多样的合理完整形状,这一方法在尊重部分观测的同时获得了更大的完成多样性。
- 结合形状补全和抓取预测的多指手快速多用途抓取
利用有限或无先验知识的握取问题是辅助机器人领域的高度相关技能。我们提出了一个基于深度学习的新型、快速且高保真度的流程,其中包括一个基于单深度图像的形状补全模块,以及一个基于预测对象形状的握取预测器。该流程在物理机器人平台上成功地实现了对各种 - ViHOPE:视触觉手持物体 6D 姿态估计与形状补全
提出了一种新颖的 ViHOPE 框架,用于利用视触知感知估计手持物体的六维位姿,通过显式完成物体的形状,提高了六维物体位姿估计的准确性。
- 预测不确定区域的形状补全
通过两种方法预测局部空间占用与直接确定性预测,提高不确定区域的分割准确性、完成物体形状,增加抓取质量。
- DiffComplete:基于扩散的生成式三维形状补全
提出了一种新的基于扩散的形状完成方法,将形状完成作为一种基于条件的生成任务,并通过分层特征聚合机制和包含性感知融合策略来实现形状完成,从而在形状完成方面取得了最新的技术成果。
- 使用自监督图卷积网络学习网格修复的自我先验
本研究提出一种自我先验的网格修补框架,通过引入两个自监督图卷积网络训练来实现,从而在不需要任何训练数据集的情况下只需一个不完整的网格作为输入,并在修补过程中保持原始多边形网格格式,最终可以生成一个修补好的多边形网格。
- CVPRSDFusion: 多模态 3D 形状完成,重建和生成
该论文提出了一种新的框架,用于简化业余用户的 3D 资产生成。这种方法支持多种输入模态,并能够对每个输入的强度进行调整,从而允许用户同时使用不完整的形状、图像和文字描述来生成形状,并提供每个输入的相对权重和互动性。
- CVPRAutoSDF: 用于 3D 完善、重建和生成的形状先验
该研究提出了一种基于自回归先验的方法来解决三维形状完形、重建和生成等多模态三维任务,该方法可以在一个任意集合的空间查询位置上对三维形状建模,从而在不同的条件下执行形状补齐。
- CenterSnap: 单次拍摄多目标三维形状重建及分类六自由度姿态与大小估计
本论文提出了一种基于单个视角的 RGB-D 观测对多目标 3D 重建、6D 姿态和大小估计的简单、高效、端到端的方法,并且基于 ShapeNet 和 NOCS 数据集进行了广泛实验,在新颖实际世界的目标实例 6D 姿态中获得了 12.6% - CVPRPMP-Net++:基于 Transformer 增强的多步点移动路径,点云完整化
本文提出了一种用于点云补全和上采样的新型神经网络 PMP-Net++,该网络通过点云的形变过程实现补全。 Transformer-enhanced representation learning 可以进一步提高 PMP-Net++ 的性能。
- ICCV多分辨率深度隐式函数用于 3D 形状表示
本文提出了一种名为 MDIF 的多分辨率深度隐式函数,该模型可以在进行 3D 重建时恢复精细的几何细节,并支持多种应用,其创新点在于可以同时表示不同细节级别并支持逐步编码,支持编码器 - 解码器推理、仅解码器潜在空间优化,并在形状完成任务下 - ICCV遮挡感知视频对象修复
通过建立大规模视频目标修复基准数据集与新的 VOIN 技术将视频对象形状完成和遮挡纹理生成相结合,本论文提出了一种面向对象和遮挡感知的视频修复方法,致力于准确还原大尺度遮挡对象区域的形状和外观。
- CVPR从部分点云中循环估计反射对称平面
该论文提出了一种新的方法,使用二维卷积递归回归方案,通过对高度维度的切片来处理 3D 数据,并设计了一种估计平面对称性的方法,既可以处理完整的数据,也可以处理真实世界的部分扫描数据,以提高三维物体探测器的输出。
- CVPR自我监督的点云补全级联优化网络
提出了一种基于两个分支的神经网络,用于点云的完形填充,其中第一个分支是连锁的对象完形子网络,第二个分支是一个自编码器,共同利用局部输入和粗糙输出来保留对象细节,并使用相同的特征提取器学习形状完形的全局特征,实验结果表明,该方法在点云完形填充 - 基于骨架连接的点云补全:从全局推断到局部调整
通过预测三维骨架以及从骨架点学习偏移量,提出了一种骨架桥接点完形网络(SK-PCN),将形状完形分解为结构估计和表面重建,并采用本地调整策略合并输入点云以进行表面细化。实验表明,相比于现有方法,该方法在点云和网格完成的各个对象类别上表现更好 - COALESCE: 通过学习合成连接来组装组件
COALESCE 是一个利用深度学习综合部件连接的数据驱动框架,可处理部件之间的几何和拓扑不匹配,进而生成自然和明显的部件连接,最终将其组合成一致的 3D 对象。该方法在形状合成方面明显优于现有方法,包括基准深度模型和 State-of-t - ECCV通过分离特征聚合实现细节保留点云补全
本文提出了两种特征聚合策略 (global&local feature aggregation,GLFA 和 residual feature aggregation,RFA) 来表示缺失的部分和已知的部分,并设计了精细化组件以防止生成的点 - CVPR点云完整性的级联细化网络
提出了一种级联细化网络结合粗到细的策略,通过考虑局部输入的细节和全局形状信息,保留了不完整点集中的现有细节,生成高保真度的缺失部分,并设计了一个补丁鉴别器来学习复杂的点分布,实验结果表明在 3D 点云完成任务中,我们的方法优于现有最先进的方