没有合适的资源?快使用搜索试试~ 我知道了~
6504SA-ConvONet:卷积占用网络的符号无关优化唐佳鹏1,4,雷家宝1,徐丹2,马飞鹰4,魁佳1,5,6,张磊3,41华南理工2香港科技大学计算机科学与工程系3香港理工大学电子计算学系4阿里巴巴集团达摩5琶洲实验室,广州,中国6鹏程实验室,深圳,中国图1:给定复杂对象(左)或大规模场景(右)的未定向点云,我们的方法可以在不使用定向法线的情况下重建精确的表面网格。摘要点云数据的曲面重建是计算机视觉和图形学领域的一个基本问题。最近的最新技术通过在推断期间单独地优化每个局部隐式场来解决这个问题。在不考虑局部场之间的几何关系的情况下,它们通常需要精确的法线以避免重叠区域中的符号冲突问题的局部场,这严重限制了它们对表面法线不可用的原始扫描的适用性。尽管SAL通过符号不可知学习打破了这一限制,但进一步的工作仍然需要探索如何将这种技术扩展到局部形状建模。为此,我们建议通过卷积占用网络的符号不可知优化来学习隐式表面重建,同时实现对大规模场景的高级可扩展性,对新颖形状的通用性以及对原始扫描的适用性。与丹旭和隗嘉的通信统一的框架。具体地说,我们通过一个简单而有效的设计实现了这一目标,该设计进一步优化了预训练的占用预测网络,在推理过程中具有无符号交叉熵损失。概率场的学习以来自沙漏网络架构的卷积特征为条件。与以前的国家的最先进的对象级和场景级数据集上的广泛的实验比较表明,优越的准确性,我们的方法从非定向点云的表面重建。该代码可从https://github.com/tangjiapeng/SA-ConvONet网站。1. 介绍点云曲面重构对于智能系统感知和理解周围的三维世界具有重要意义,在计算机辅助设计、3D打印、机器人抓取等众多实际应用中发挥着基础性作用。最近这6505这个问题已经引起了广泛的关注,因为诸如MicrosoftKinect之类的廉价且便携的商品扫描仪使得获取3D点云变得更加容易。经典方法[1,5,26,24,25]根据预定义的几何先验通过数学优化来解决这个问题,而基于学习的方法[17,11,28,31]选择以数据驱动的方式从大规模3D数据集中学习几何先验。最近,将3D表面表示为隐式场已经获得了很大的普及[10,28,30,34,36]。46、11、22、6、14、41、31、37]。 与其他形状代表相比-例如体素[12,44]、八叉树[32,39,43,20]、点云[15]和网格[17,42,23,36,29,37],连续隐式场可以实现具有无限分辨率和任意拓扑的表面重建。为了提高隐式曲面重构的可扩展性、通用性和适用性,人们从各个方面提出了许多方法来促进隐式曲面重构的发展。 然而,在文献中仍然没有一种方法以令人满意的性能同时实现所有这些目标。针对大规模场景的更好可扩展性,几种方法[22,6,41,31,14]学习局部隐式场并将全局形状建模为局部表面几何形状的组合,而不是从潜在代码进行全局形状推理。为了更好地概括新的形状,一些作品[30,16,22,6,41,47]试图在测试时优化预先训练的先验,以获得每个给定输入的更好的解决方案,而不是严格遵守学习的先验。现有的最先进的方法[22,6,41]通过在推理期间对每个局部隐式场进行单独优化来提高可扩展性和通用性。然而,在没有明确考虑局部场之间的几何关系的情况下,它们严重依赖于准确的法线来避免局部场的重叠区域中的符号冲突问题。虽然SAL [2]通过符号不可知学习打破了这一限制,提高了对表面法线不可用的真实世界扫描的适用性,但它只能执行全局形状建模。进一步的工作仍然需要探索如何扩展这种技术的局部形状建模。为此,我们建议通过卷积占用网络的符号不可知优化来学习隐式表面重建[31],以同时实现三个重要的重建目标,即在统一的框架下,具有先进的通用性、专业性和适用性。我们通过一个简单而有效的解决方案来实现这一目标,该解决方案通过符号不可知学习进一步优化了预先训练的占用预测网络。 占用场的学习以来自沙漏网络的卷积特征为条件(例如,U-Net [33])。我们的解决方案有两个关键特征。第一个特征是,在具有地面实况签名场的可访问数据集上进行预训练之后,占用解码器可以提供签名场作为测试时间优化的初始化。mization因此,我们可以进一步应用无符号目标来优化占用预测网络,最大化期望的等值面与观察到的未定向点云之间的一致性。 第二个特征是,U-Net [33]以沙漏卷积方式聚合局部和全局信息。 局部形状特征的使用不仅保留了细粒度的几何形状,而且还实现了大规模室内场景的表面恢复。集成的全局形状特征可以加强学习到的局部几何形状之间的几何一致性,并保证局部场的组装是全局一致的,尽管我们没有利用来自额外法线信息的指导。如图1所示,我们可以直接从未定向的点云重建具有精细细节的表面,而无需使用法线,无论是复杂的对象还是大规模场景。与对象级和场景级数据集(包括ShapeNet [8]、合成室内场景数据集[31]和真实世界场景数据集(ScanNet[13]和Matterport3D [7]))的最新技术的广泛实验比较证明了我们的方法用于从非定向点云进行表面重建的优越性能。2. 相关工作在本节中,我们简要回顾了从原始点云进行表面重建的现有方法。具体来说,我们只回顾那些找到场函数(占用函数或符号距离函数)来近似给定点云的隐式重建方法。经典的基于优化的曲面重建从离散近似计算连续曲面是一个严重不适定的问题,因为可能有无限可能的解决方案。经典方法[1,5,26,24,25]将此任务表述为数学优化问题,并尝试使用预定义的几何先验(如局部线性和平滑度)来解决此问题。已经存在许多代表性的重建方法,诸如半径基函数(RBF)[5]、移动最小二乘法(MLS)[1]和泊松表面重建(PSR)[24,25]。RBF [5]将表面表示为一系列径向基函数的线性组合; MLS [1]通过找到这些组成的空间变化多项式来拟合观察点; PSR[24,25]将表面重建建模为泊松方程。最近,由大规模3D数据集(例如,ShapeNet [8]),神经网络在该领域取得了显著的成功隐式表面重建从点云,从全球到局部领域建模。全局模型[28,10]本质上在潜在空间[40]中执行形状检索,导致表示不可见形状的通用性有限,并且捕获复杂细节的能力有限。这些缺陷可以通过本地模式解决6506i=1S SPSO∈××ELS [11,34,46,31,14]专注于局部几何建模。我们的方法也采用了局部隐场学习的方式。因此,它具有表示大规模场景的能力。另一个优势是更好的基因-3. 方法3.1. 概述给定一个观测点集P={pi∈R3}n得双曲余切值.这可以为测试时优化提供相对较好的带符号场数据驱动的先验和优化的组合上述学习方法[11,34,46,31]在推理过程中固定学习的先验。具体来说,它们通过单个前馈通道直接获得3D表面。由于预先训练的先验是固定的,因此它们很难很好地推广到与训练样本不相似的看不见的形状。一些现有的方法[30,22,6,41,45,47,38]试图在测试阶段将数据驱动的先验与优化策略相结合,以获得每个给定输入的更好结果。其中,局部场优化的方法,包括LIG [22],DeepLo-calSDF [6]和PatchNet [41],可以实现最先进的性能。然而,当将局部场组装成全局一致的场时,它们需要额外的表面法线来解决符号翻转问题,这严重限制了它们对缺乏可靠和准确表面法线的原始扫描的适用性。我们的方法也属于这一研究方向。然而,与它们相反,我们优化了以沙漏方式学习的卷积特征为条件的局部隐式场。由于局部场之间的全局一致性可以在沙漏卷积特征学习过程中有效地保持,因此我们可以始终保证局部场在优化过程中是全局一致的,尽管我们没有表面法线的指导。由传感设备扫描的原始点云通常缺乏定向法线。虽然我们可以通过法向估计方法[21,18,35,19,4]近似它们,但法向估计误差可能导致退化表面。因此,它是更有吸引力的模型表面直接从非定向点在一个符号不可知的方式[2,3]。SAL [2]通过适当地初始化隐式解码器网络来避免使用表面法线,使得它们可以仅使用无符号目标来产生隐式函数的有符号解。我们的符号不可知隐场优化的关键思想类似于SAL。在具有地面实况符号隐式场的辅助数据集的帮助下,可以训练占用解码器以表示符号场。给定有符号隐式场作为测试时优化的初始化,我们通过应用无符号交叉熵损失来将期望的等值面与观察到的未定向点云对齐,从而进一步将预训练的先验适应给定的输入。SAIL-S3 [48]的并行工作扩展了SAL [2]的几何初始化,用于从非定向点云进行局部符号场学习。然而,它仍然需要后优化阶段以避免局部符号翻转问题。我们的方法的目标是重建尽可能与底层表面相似的表面。我们选择近似的符号隐场表示O通过预测神经隐式场因为它的优点,以无限分辨率和无限制拓扑重建曲面的阶段。我们的目标是同时实现三个方面的进步,即对大规模场景的可缩放性、对新颖形状的通用性以及对原始扫描的适用性。为了实现这一目标,我们提出了一种简单而有效的解决方案,通过卷积占用网络的符号不可知优化来学习隐式表面重建。所提出的方法的总体流水线在图2中示出。我们的方法包括两个阶段,即卷积占用场预训练和设计的符号不可知的测试时隐式表面优化。前一阶段负责学习具有全局一致性约束的局部形状先验,并为后一阶段提供相对合理的有符号场作为初始化,后一阶段利用无符号交叉熵损失进一步优化整个网络,以提高O.我们在以下两个部分中介绍了所提出的方法的细节,即.第3.2和3.3节。3.2. 卷积占用字段预训练3.2.1卷积特征学习如图2所示,我们首先通过浅PointNet [ 9 ]处理给定的输入以获得逐点特征。然后,我们将它们转换为体积特征的尺寸的H W D,通过封装本地的邻居,在一个单元格内的遮光罩信息。具体来说,我们使用以下方法集成属于同一体素单元的所有点特征: 平均池。为了整合全局和局部信息,我们使用3D-UNet来处理V0以获得V。由于3D-CNN的内存开销问题,我们设置H=W=D=64,3D U-Net的深度设置为4,使得接收场等于V 0的大小。由于卷积运算的平移等变性和沙漏网络架构U-Net集成的丰富形状特征,我们可以实现大规模场景的可扩展表面重建。3.2.2占用场预测基于所获得的体积特征V,我们可以预测在3D空间中随机采样的点q的占用概率O(q)R3为了做到这一点,我们首先执行三线性插值来查询特征向量fq,V根据q的坐标,然后馈给q和6507预训练GroundTruthBCE损失3D-UNetinsideoutsideUCE损失符号无关优化PQΣ。Σ- -Σ。Σ.O(q)=图2:方法概述。我们的方法建立在卷积占用网络(CONet)[31](中)的基础上。其基于经由PointNet和3D U-Net的级联网络从输入点云提取的卷积特征V来预测占用场O。 我们首先在可访问的数据集上使用地面实况O对CONet[ 31 ]进行预训练标准二进制交叉熵(BCE)损失(顶部)。在推理过程中,所提出的符号不可知优化通过无符号交叉熵(UCE)损失进一步微调整个网络参数,以提高O(bottom)的准确性。fq输入到被实现为多层感知器(MLP)的轻量网络的占用解码器gO(q)=sigmoid(g(q,fq))∈(0,1),(1)其中q的占用概率是最终输出logitg(q,fq)的sigmoid激活。3.2.3损失函数在训练过程中,我们均匀地对水密网格的包围体内的一些点进行采样,并计算它们的占用值的地面真值。并且我们通过损失函数惩罚预测的占用值和真实占用值之间的差异,该损失函数被写为:L(O,O)=BCEO(q),O(q)、(二)q∈Q其中BCE(x,y)= ylogx(一)y)log(1X)表示标准二进制交叉熵。3.3. 符号无关隐式曲面优化在推理阶段,我们可以通过单个前馈通道直接产生隐式场。但是如果给出的输入超出了预先训练的先验,我们可能得不到令人满意的结果。为了提高对不可见形状的通用性,可以进一步优化针对给定输入的预训练模型。但是我们不能应用等式2中的损失函数来监督网络微调,因为与观察点相关联的表面法线是无效的。正常的估计误差将增加重新覆盖干净表面的难度。然而,可以通过从沙漏卷积网络学习占用场的符号不可知优化来避免法线的要求。根据SAL [2],我们知道通过适当地初始化网络参数,隐式解码器可以表示单位球面的有符号场,这有助于我们通过无符号学习目标获得有符号解。类似地,预先训练的占用解码器可以产生有符号场作为测试时间优化的初始化。因此,我们可以直接使用无符号交叉熵损失来获得占用场和无符号输入之间的一致性约束,而无需使用表面法线。此外,局部几何形状之间的全局一致性总是可以在优化阶段期间被强制执行,因为来自V的特征是从相同的全局特征解码的。因此,没有法线的指导,我们仍然可以保证全局一致的局部场装配。具体地,无符号交叉熵(UCE)损失被公式化为:Luce=BCEO†(q),O†(q)、 (3)q∈Q其中,预测O†(q)和tar getO†(q)通过以下等式给出:〇t(q)=S形。|Σ∈ [0.|Σ∈[0. 第5、1、(4)段能,这就导致了进出场的不可用。虽然我们可以选择从P估计法线,但是†0. 5,对于q∈QS1 .一、0,对于q∈Q\S、(五PointNetMLP6508)6509×S\S×××其中QS是从地面实况表面S获得的点集,并且Q\S是从非表面体积Q \ S采样的点集。由于S在测试阶段是未知的,我们将观察到的表面P视为下式的近似S,并将3D空间中的随机采样点识别为非曲面点Q\S观测面P. 更具体地说,我们强迫与0.5水平组的occu-占用率字段,以及非表面点为0或1。在隐式场的符号不可知优化之后,我们应用多分辨率等值面提取(MISE)[28]和移动立方体[27]来提取表面网格作为最终重建结果。4. 实验数据集我们在对象级和场景级表面重建任务的实验中验证了我们的方法的有效性。对于前一个任务,我们对ShapeNet [8]数据集的椅子类别进行比较。对于后一项任务,我们使用合成室内场景数据集[31]。train/val/test集的划分遵循CONet [31]中的相同设置。对于每个数据集,我们从测试集中随机选择50个模型进行定量评估。我们使用从真实表面采样的30,000大小的点云作为输入。最后,我们通过在ScanNet-V2 [13]和Matterport 3D[7]数据集上进行实验,比较了合成与真实的通用性。我们首先对卷积占用网络进行预训练,批量大小为32,学习率为1 10−4,总迭代次数为300k。在符号不可知优化期间,整个网络被进一步优化。使用16的批量大小进行1000次迭代,通过等式3中描述的目标进行优化。 初始学习率设为3×10−5,每400次迭代衰减0.3We集|Q|=512和|Q|=1,536。基线我们与现有的三种方法进行比较,即经典的基于优化的方法,例如筛选泊松表面重建(SPSR)[25],基于深度优化的方法,例如符号不可知学习(SAL)[2]和隐式几何正则化(IGR)[16],基于学习的方法,例如占用网络(ONet)[28]和卷积占用网络(CONet)[31],以及专注于优化数据驱动先验的方法,例如局部隐式网格(LIG)[22]。对于SAL和IGR,我们直接将神经隐式场拟合到观察到的点云。对于ONet、CONet和LIG,评估基于其提供的预训练模型。具体而言,我们在表1中总结了它们各自的特征。对于需要定向表面法线的方法,我们遵循[21]来估计未定向的法线,然后重新定向它们的方向。我们考虑倒角距离(CD表1:不同方法的工作条件汇总。请注意,我们的方法是第一个通过执行局部几何建模,优化网络参数,同时在推理期间不需要法线,最大限度地提高大规模场景的可扩展性,新颖形状的通用性以及在统一框架中对真实世界扫描的适用性。0的情况。01)、正常稠度(NC 0. 01)和F-评分(FS0. 01)作为主要评价指标。F分数报告为阈值τ和2τ(τ=0. 01)。两个点云之间的定量结果是从随机抽样的一万个表面点测量的。至于裁谈会,越低越好。 对于NC和FS,越高越好。5. 对象级重构方法CD↓NC↑FS(τ)↑FS(2τ)↑SPSR [25]1.92381.5480.8685.13ONet[28]1.11784.5862.3586.57SAL [2]2.41878.6754.3373.70IGR [16]2.67875.9769.0276.01CONet [31]0.82191.1274.7396.85LIG [22]2.20080.3560.6265.99我们0.52293.5197.1699.37表2:在ShapeNet-chair上从未定向的点云进行表面重建的定量比较。我们首先进行对象级重建实验。 为了模拟真实扫描采集过程中感知噪声的影响,我们通过均值为零且标准差为0.05的高斯噪声扰动输入。如图3所示,我们的方法在复杂对象重建的视觉质量方面表现出优越性。与仅使用全局形状特征的方法(如ONet [28],SAL [2]和IGR [16])相比,我们更能够恢复复杂的几何形状,因为我们利用了丰富的形状特征,包括局部和全局信息。此外,而不是严格尊重像CONet[ 31 ]这样的先验知识,更忠实的表面细节(例如,细棒和小孔)可以通过在推理期间打破预先训练的先验的障碍来保留。此外,SPSR [25]、IGR [16]和LIG [22]往往会产生退化网格,这是由方法无局部几何优化法向网络参数建模SPSR [25]×CCONet [28]SAL [2]IGR [16]CCC×C××××CONet [31]LIG [22]C×C×CC我们CCC6510输入PC SPSR [25] ONet [28] SAL [2] IGR [16] CONet [31] LIG [22]我们的图3:ShapeNet上的对象级重建。从ShapeNet-chair的未定向点云进行表面重建的定性比较[13]。输入PC SPSR [25] SAL [2] IGR [16] CONet [31] LIG [22]我们的图4:合成房间的场景级重建。在[31]提供的合成室内场景数据集上从未定向的点云进行表面重建的定性比较6511方法CD ↓ NC ↑ FS(τ)↑ FS(2τ)↑方法CD ↓ NC ↑ FS(τ)↑ FS(2τ)↑法向估计不准确。然而,它对我们的结果没有负面影响,因为我们在测试时优化期间不使用广告信息。我们的优越性也通过表2中报告的数值结果得到了验证,其中我们的方法大大优于现有的最先进的方法。6. 场景级重建SPSR [25]2.08378.2176.1781.22SAL [2]2.72073.8540.4759.79IGR [16]1.92377.9474.0281.23CONet [31]2.02083.4373.2881.74LIG [22]1.95379.8262.4670.96我们0.49590.0493.8598.82表3:合成房间数据集[31]上的未定向点云的表面重建的定量结果。为了研究我们的方法是否具有室内场景重建的可扩展性,我们进一步在合成室内场景数据集[ 31 ]上进行了从未定向点云进行3D重建的实验。从图4所示的定性比较中,我们可以观察到,一些微妙的椅子腿也可以通过我们的方法恢复,而其他人不能捕捉到这些细节。这表明我们可以很好地扩展到大场景,因为我们采用了局部几何推理的策略,而不是SAL [2]和IGR [16]中的全局形状建模。与CONet [31]相比,更细粒度的表面恢复表明,由于有效的符号不可知优化使所需的隐式表面与观察到的非定向表面一致,我们的方法可以实现对新场景的更好的通用性。此外,绕过法线估计使得能够进行更鲁棒的场景级表面重建。同样,表3中呈现的更好的定量结果一致地证明了我们的方法的优越性。SPSR [25]1.33984.6082.3387.83SAL [2]2.02681.2461.5480.90IGR [16]2.39284.1278.0783.98CONet [31]1.55982.0559.5580.76LIG [22]1.50181.9970.3978.30我们0.72886.4082.0895.86表4:真实世界ScanNet数据集上未定向点云的表面重建的定量比较[31]。由于ScanNet不提供水密网格,因此我们使用合成房间数据集上的预训练模型直接评估所有方法。7. 真实世界场景综合为了比较真实世界扫描的泛化性能,我们还在真实世界数据集上评估了我们的方法,包括ScanNet [13]和Matter-port 3D [7]。值得注意的是,所有模型仅在相同的合成室内场景数据集上进行训练。ScanNet-V2定性和定量比较分别见图5和表4。可以看出,与其他方法相比,我们的结果获得了明显更好的数值分数和更细粒度的表面几何形状,这有效地验证了所提出的方法对真实世界扫描的更好的泛化能力。Matterport3D为了评估其对包含多个房间的巨大场景的可扩展性,我们最终在Matterport3D数据集上进行实验[7]。遵循[31]中提出的滑动窗口策略,我们分别将卷积概率网络的设计符号不可知优化应用于每个房间。可视化比较如图5(d)所示。值得注意的是,Matter-port 3D[7]与用于预训练我们的网络的合成室内数据集有很大不同。但我们的重建结果仍然可以保留丰富的细节在- side每个房间,同时坚持房间布局,这充分表明,我们的方法可以实现更好的可扩展性,以巨大的场景和更好的鲁棒性,从不同的传感设备的噪声。8. 结论对于从非定向点云进行表面重建的任务,我们提出了一种简单而有效的解决方案,通过卷积占用网络的符号不可知优化来学习隐式表面重建,该解决方案实现了对大型场景的可扩展性,对新颖形状的通用性以及对统一框架中真实世界扫描的适用性。从沙漏网络的卷积特征中进行隐式场学习的特性使得测试时优化无需使用表面法线。在对象级和场景级数据集上的大量实验表明,我们的方法在定量和定性方面都显着优于现有方法。我们的方法的一个局限性是推理速度慢,这也是测试时优化方法的一个共同缺点。我们把它作为我们未来的努力。谢谢。本工作得到了国家广东省重点研发项目(编号:2019B010155001 ) 、 国 家 自 然 科 学 基 金 ( 编 号 :61771201)、《广东省引进创新创业团队计划》(编号:2017 ZT 07 X183)、香港特区政府研究资助基金研究 资助 局 ( 研资 局 ) 的“ 青 年就 业 计 划” ( 编号 :26202321)、科大创业基金(编号:R9253),以及Al-ibaba DAMO学院。6512(a)(b)(c)(d)图5:ScanNet [13]和Matterport3D [7]上的场景级重建。ScanNet(a、b、c)和Matterport3D(d)未定向扫描的表面重建的定性比较。除SPSR外的所有方法都在合成房间数据集上进行训练,并直接在ScanNet上进行评估。我们GTLIG[22]CONet[31]SPSR[25]输入PC6513引用[1] Marc Alexa , Johannes Behr , Daniel Cohen-Or ,Shachar Fleishman,David Levin,and Claudio T.席尔瓦计算和绘制点集曲面。TVCG,2003年。[2] Matan Atzmon和Yaron Lipman。Sal:从原始数据中学习形状的符号不可知在CVPR,2020年。[3] Matan Atzmon和Yaron Lipman。Sald:使用导数的符号不可知学习。ICLR,2021年。[4] Yizhak Ben-Shabat和Stephen Gould。深度拟合:通过神经网络加权最小二乘法进行3D曲面拟合在ECCV。Springer,2020年。[5] Jonathan C Carr、Richard K Beatson、Jon B Cherrie、Tim J Mitchell、W Richard Fright、Bruce C McCallum和Tim R Evans。基于径向基函数的三维物体重建与表示SIGGRAPH,2001年。[6] Rohan Chabra , Jan E Lenssen , Eddy Ilg , TannerSchmidt , Julian Straub , Steven Lovegrove , andRichard Newcombe.深度局部形状:学习局部sdf先验,用于详细的3d重建。在ECCV。Springer,2020年。[7] A. Chang,A.戴氏T. Funkhouser M. Halber,M. 尼布纳M. Savva , S. Song , 中 国 黑 杨 A. Zeng 和 Y. 张 某Matterport3d:室内环境中rgb-d数据的学习。在3DV,2017年。[8] Angel X Chang , ThomasFunkhouser , LeonidasGuibas,Pat Hanrahan,Qixing Huang,Zimming Li,Silvio Savarese , Manolis Savva , Shuran Song , HaoSu,et al. Shapenet:一个信息丰富的3D模型存储库。arXiv预印本arXiv:1512.03012,2015。[9] R. Qi Charles , Hao Su , Mo Kaichun , and LeonidasJ.Guibas Pointnet:点集深度学习,用于3D分类和分割。在CVPR,2017年。[10] 陈志勤和张浩。学习隐式场生成形状建模。在CVPR,2019年。[11] Julian Chibane,Thiemo Alldieck,Gerard Pons-Moll.特征空间中的隐式函数用于三维形状重构和补全。在CVPR,2020年。[12] Christopher Bongsoo Choy , Danfei Xu , JunYoungGwak,Kevin Chen,and Silvio Savarese. 3d-r2 n2:用于 单 视 图 和 多 视 图 3D 对 象 重 建 的 统 一 方 法 。 在ECCV,2016年。[13] Angela Dai、Angel X Chang、Manolis Savva、MaciejHal- ber 、 Thomas Funkhouser 和 Matthias Nießner 。Scannet:室内场景的丰富注释3D重建。在CVPR,2017年。[14] Philipp Erler 、 Paul Guerrero 、 Stefan Ohrhallinger 、Niloy J Mitra和Michael Wimmer。Points2surf从点云学习隐式曲面。在ECCV。Springer,2020年。[15] Haoqiang Fan,Hao Su,and Leonidas J. Guibas从单幅图像重建三维物体的点集生成网络。在CVPR,2017年。[16] Amos Gropp、Lior Yariv、Niv Haim、Matan Atzmon和Yaron Lipman 。 用 于 学 习 形 状 的 隐 式 几 何 正 则 化ICML,2020年。[17] 放 大 图 片 作者 : David G. Kim , Bryan C. 罗 素 和 马修 · 奥 布 里 。 Atlasnet : Apapier-m ? ch ?approachtolearning3dsurf acegeneration. 在CVPR,2018年。6514[18] G aeülGuennebaud和MarkusGross。 代数点集曲面。在SIGGRAPH中。2007年[19] Paul Guerrero、Yanir Kleiman、Maks Ovsjanikov和Niloy J Mitra。从原始点云学习局部形状属性。在计算机图形学论坛。威利在线图书馆,2018年。[20] ChristianHan¨ ne、ShubhamTulsiani和JitendraMalik。三维物体重建中的高分辨率表面预测。在3DV,2017年。[21] Hugues Hoppe , Tony DeRose , Tom Duchamp ,John McDonald,and Werner Stuetzle.由散乱点重构曲面在SIGGRAPH,1992中。[22] Chiyu Jiang , Avneesh Sud , Ameesh Makadia ,JingweiHuang , MatthiasNießner , ThomasFunkhouser,et al.三维场景的局部隐式网格表示在CVPR,2020年。[23] HiroharuKato 、 YoshitakaUshiku 和 TatsuyaHarada。神经三维网格渲染。在CVPR,2018年。[24] Michael Kazhdan , Matthew Bolitho , and HuguesHoppe.泊松曲面重建《小额赠款方案》,2006年。[25] Michael Kazhdan 和Hugues Hoppe筛选泊松曲面重建。ACM ToG,2013年。[26] 大卫·莱文网格无关曲面插值。用于科学可视化的几何建模。Springer,2004.[27] 威廉·E·洛伦森和哈维·E·克莱恩。移动立方体:一种高分辨率三维表面构造算法。ACM SIGGRAPH,1987.[28] LarsMescheder , MichaelOechsle , MichaelNiemeyer , Se- bastian Nowozin , and AndreasGeiger.Occupancynetworks:Learning3dreconstruction in function space.在CVPR,2019年。[29] Junyi Pan,Xiaoguang Han,Weikai Chen,JiapengTang,and Kui Jia.通过拓扑修改网络从单个rgb图像重建深层网格。在ICCV,2019年。[30] 郑俊朴、彼得·弗洛伦斯、朱利安·斯特劳布、理查德·纽科姆和史蒂文·洛夫格罗夫。Deepsdf:学习连续符号距离函数用于形状表示。在CVPR,2019年。[31] Peng Songyou Peng , Michael Niemeyer , LarsMescheder,Marc Pollefeys,and Andreas Geiger.卷积占有网络。在ECCV,2020年。[32] Gernot Riegler 、 Ali OsmanUlusoy 和 AndreasGeiger。Octnet:以高分辨率学习深度3D表示在CVPR,2017年。[33] Olaf Ronneberger , Philipp Fischer , and ThomasBrox.U-网:用于生物医学图像分割的卷积网络在MICCAI。施普林格,2015年。[34] Shunsuke Saito 、 Zeng Huang 、 Ryota Natsume 、Shigeo Mor-ishima 、 Angjoo Kanazawa 和 Hao Li 。Pifu : Pixel-alignedimplicitfunctionforhigh-resolution clothed human digitiza- tion.ICCV,2019。[35] Lv Sheng,Dan Xu,Wanli Ouyang,and XiaogangWang.面向单目深度slam的关键帧检测和视觉里程计的无监督协同学习在ICCV,2019年。[36] Jiapeng Tang , Xiaoguang Han , Junyi Pan , KuiJia,and Xin Tong.一种基于骨架桥接的深度学习方法6515从单个RGB图像中绘制复杂拓扑的网格在CVPR,2019年。[37] Jiapeng Tang , Xiaoguang Han , Mingkui Tan , XinTong,and Kui Jia.骷髅网:从rgb图像学习物体表面网格重建的拓扑保持解决方案。TPAMI,2021年。[38] Jiapeng Tang,Dan Xu,Kui Jia,and Lei Zhang.从时空描述符学习并行密集对应,以实现高效和鲁棒的4D重建。在CVPR,2021年。[39] Maxim Tatarchenko 、 Alexey Dosovitskiy 和 ThomasBrox。八叉树生成网络:高效的卷积架构实现高分辨率3D输出。InICCV,2017.[40] Maxim Tatarchenko,Stephan R Richter,Rene 'Ranftl,Zhuwen Li,Vladlen Koltun,and Thomas Brox.单视图三维重建网络能学到什么?在CVPR,2019年。[41] EdgarTretschk 、 Ayush Tewari 、 Vladislav Golyanik 、MichaelZollh oüfer、 CarstenStoll 和 ChristianTheobalt 。Patchnets:基于补丁的可概括的深隐式3D形状表示。在ECCV。Springer,2020年。[42] Nanyang Wang , Yinda Zhang , Zhuwen Li , YanweiFu,Wei Liu,and Yu-Gang Jiang.Pixel2mesh:从单个rgb图像生成3d网格模型。在ECCV,2018。[43] Peng-Shuai Wang,Chun-Yu Sun,Yang Liu,and XinTong.自适应o-cnn:3D形状的基于面片的深度表示。SIGGRAPHAsia,2018.[44] Jiajun Wu , Chengkai Zhang , Tianfan Xue , BillFreeman,and Josh Tenenbaum.通过3d生成对抗建模学习物体形状的概率潜在空间。InNeurIPS,2016.[45] Dan Xu,Weidi Xie,and Andrew Zisserman.静态摄像机的几何感知视频对象检测。在BMVC,2019。[46] QianengXu ,Weiyue Wang ,Duygu Ceylan ,RadomirMech,and Ulrich Neumann. Disn:用于高质量单视图3D重建的深层隐式表面网络。NeurIPS,2019。[47] 杨明月,温宇欣,陈伟凯,陈永伟,贾奎。三维形状建模和重建的深度优化先验。CVPR,2021年。[48] Wenbin Zhao , Jiaobin Lei , Yuxin Wen , JianguoZhang,and Kui Jia.表面自相似性的符号不可知隐式学习,用于从原始点云进行形状建模和重建在CVPR,2021年。
下载后可阅读完整内容,剩余1页未读,立即下载
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
- 我的内容管理 收起
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
会员权益专享
最新资源
- zigbee-cluster-library-specification
- JSBSim Reference Manual
- c++校园超市商品信息管理系统课程设计说明书(含源代码) (2).pdf
- 建筑供配电系统相关课件.pptx
- 企业管理规章制度及管理模式.doc
- vb打开摄像头.doc
- 云计算-可信计算中认证协议改进方案.pdf
- [详细完整版]单片机编程4.ppt
- c语言常用算法.pdf
- c++经典程序代码大全.pdf
- 单片机数字时钟资料.doc
- 11项目管理前沿1.0.pptx
- 基于ssm的“魅力”繁峙宣传网站的设计与实现论文.doc
- 智慧交通综合解决方案.pptx
- 建筑防潮设计-PowerPointPresentati.pptx
- SPC统计过程控制程序.pptx
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功