- 规范化整合域:从点云中重建动态形状
我们提出了规范合并场(CanFields):一种将独立采样的时间序列点云重建为单一变形的连贯形状的方法。我们的方法通过将点云合并成一个规范形状来减少噪声和离群值的影响,并且允许我们处理缺失的区域。通过同时重构引导变形的速度场,我们保留了几何 - RaDe-GS:高斯投影深度
高斯飞溅在新视角合成方面已被证明具有很高的效果,但对于重建细节丰富的 3D 形状尚未充分探索。本研究介绍了一种栅格化方法来渲染通用 3D 高斯飞溅的深度图和表面法线图,大大提高了形状重建的准确性,并保持高斯飞溅的计算效率。该方法在 DTU - 基于扩散驱动的自监督学习用于形状重建和姿态估计
我们引入了一种扩散驱动的自监督网络,用于多目标形状重建和分类姿态估计,并且仅利用形状先验信息,通过点卷积层和图卷积层来捕捉姿态特征和形状信息,通过预训练和精炼的自监督训练范式训练我们的网络。实验证明,我们的方法明显优于最先进的自监督分类级别 - 深度中心体:用于解剖形状建模的学习中心轴近似
通过模板变形和深度介质体方法实现形状重建,以应用于医学成像、可视化和计算机模拟。
- ICLR一种直观的多频特征表示用于 SO (3)- 等变网络
介绍了一种用于将 3D 点映射到高维特征空间的等变特征表示方法,该特征能够识别 3D 数据中存在的多个频率,以提供更多细节来克服原始研究中的限制。
- 结构形状建模的重写技术
通过结构重写系统(StructRe)进行局部迭代重写过程,实现不同类别、多个物体层次的形状建模,并在形状重建、生成和编辑任务中展示了概率建模和可推广性对于结构建模的好处。
- 基于形状生成器和分类器的实例感知三维语义分割
本文提出了一种新颖的面向实例的方法,用于 3D 语义分割,通过结合几个在实例级别监督的几何处理任务来促进学习到的特征表示的一致性,具体方法使用形状生成器和形状分类器来执行每个形状实例的形状重建和分类任务,从而使特征表示能够忠实地编码结构和局 - 形状锚引导的室内场景整体理解
该论文提出了一种形状锚点引导学习策略(AncLearn)来实现强大的室内场景理解。通过在检测阶段为生成可靠的提案提供可靠的特征,并在重建过程中直接提供具有良好结构的几何先验来降低噪声和离群点,将 AncLearn 嵌入到一种纯实例导向的重建 - 3D 高斯差分渲染的灵活技术
快速可靠的形状重建是许多计算机视觉应用的关键要素。神经辐射场证明了逼真的新视角合成是可行的,但在对实景和物体进行快速重建方面要求表现。最近的几种方法基于其他形状表示,特别是 3D 高斯函数。我们对这些渲染器进行扩展,例如集成可微分光流、导出 - CCD-3DR: 单图像三维重建中的一致条件限制扩散
该论文提出了一种利用扩散模型生成单个 RGB 图像中捕捉到的物体的三维稀疏点云的新型形状重构方法,该方法利用了一种新的中心扩散概率模型,用于一致的局部特征条件约束。在合成基准 ShapeNet-R2N2 和实际数据集 Pix3D 上进行的大 - MMDTF-Net: 通过可变形模板场进行类别级姿态估计与形状重建
DTF-Net 是一种基于物体类别的隐性神经场方法,通过设计可变形模板场、姿态回归模块和多模态表示提取模块,实现了场景中物体的姿态估计和形状重建,并通过 REAL275 和 CAMERA25 数据集的实验证明了其在综合环境下的出色性能以及对 - PoissonNet:使用 Fourier 神经算子进行分辨率无关的三维形状重建
PoissonNet 是一种用于从点云中恢复三维形状的架构,通过利用 Fourier 神经算子 (FNOs) 来解决 Poisson 方程并从定向点云测量中重建网格,其具有效率高、重建质量较好、运行时间短以及分辨率灵活等优势,并通过数值结果 - VariGrad: 无注册数据的几何深度学习的一种新型特征向量架构
我们提出了一种新颖的几何深度学习层,利用变 分 (VariGrad) 计算三维几何数据的特征向量表示。这些特征向量可以用于各种下游学习任务,如分类、注册和形状重建。我们采用独立于给定采样或参数化的变分流形表示的模型,使得我们的模型能够在训 - 双弹跳非直视成像中瞬变的作用
本篇研究探讨二次反射非直视成像在多路复用照明下的飞行时间测量对减少转发表面、提高空间分辨率的及时收集和图像恢复具有怎样的作用和贸易关系。 相关参数研究表明,时间分辨率、空间分辨率和屏幕截图数之间需要平衡,并且引出了 2B lidar 的数学 - FingerSLAM:基于视觉触感反馈的闭环未知物体定位与重建
本文提出了 FingerSLAM,一种结合手指触觉传感和腕部摄像头视觉感知的封闭环路因子图姿态估计器,用于关于手中未知物体的 6DoF 定位和 3D 重建,通过该方法可以获得更加准确的估计,并示范了在实际情况下的定量和定性评估。
- CVPRShadowNeuS: 通过阴影光线监督的神经 SDF 重构
本文提出了一种用于 novel view synthesis 和 shape reconstruction 的新方法 NeRF,并通过在场景和多视图图像平面之间监督相机光线以及在光源和场景之间监督阴影光线的方式不断优化整个场景的神经表征。
- ECCV特征空间中基于符号距离函数的零级集少样本学习
该研究探讨一种新的基于点云的形状重建方法,利用隐式神经网络条件机制,并提出了一种应用梯度的元学习方法以从特征空间学习隐式神经签名距离函数。通过将输入点云作为支持上下文来训练解码器,该方法在隐式重建方面表现良好。
- SNAKE: 基于形状感知的神经三维关键点场
本文提出了一种名为 SNAKE 的无监督学习方法,通过将 3D 坐标作为输入,同时预测隐式形状指示器和关键点显着性,从而将 3D 关键点检测和形状重建自然地纠缠在一起,进而取得了卓越的性能,使生成的关键点允许精准的几何配准,尤其在零样本设置 - 3DILG:用于三维生成建模的非规则潜在格
通过使用神经场,利用三维空间内不规则的栅格表征方法,提高了点云形状重构以及生成模型的精确性和质量, 在单张高分辨率图像、低分辨率图像和分类条件下的生成模型中,实现了有关 3D 形状建模的革新工作。
- 通过 Lipschitz 正则化学习平滑神经函数
本文介绍了用于神经隐式场的 Lipschitz 正则项,以促进其对良好变形处理的优化,并在 3D 形状插值、外推以及部分重构相关应用中与现有技术和基准模型相比取得更优的量化和定性结果。