论文推荐
“SFFAI140期来自中国科学院计算技术研究所的杨洁推荐的文章主要关注于计算机视觉的三维生成领域。”
关注文章公众号
回复"SFFAI140"获取本主题精选论文
01
StructureNet: Hierarchical Graph Networks for 3D Shape Generation [Mo et al.]
推荐理由:这篇发表在SIGGRAPH Aisa 2019的文章通过层次化的图结构描述了人造物体的语义结构,在此基础上使用递归神经网络构建了一个针对三维形状的自编码器,进而实现对三维形状的生成。
02
Learning adaptive hierarchical cuboid abstractions of 3D shape collections. [Sun et al.]
推荐理由:这篇发表在SIGGRAPH Aisa 2019的文章尝试了使用无监督方法学习分层零件分解,将三维形状层次渐进地表示为长方体的组合。
03
Pixel2Mesh: Generating 3D Mesh Models from Single RGB Images [Wang et al.]
推荐理由:这篇发表在ECCV2018上的文章利用对一个三角形网格模板进行变形来表达各种不同的三维模型,实现了从图片到三维网格的重建。不足之处是,由于作为模板的三角形网格拓扑固定,所以仅通过变形无法正确逼近具有不同拓扑的三维模型,限制了该方法的效果。
04
Adaptive O-CNN: A Patch-based Deep Representation of 3D Shapes [Wang et al.]
推荐理由:这篇发表在SIGGRAPH Asia 2018的论文提出了一种基于自适应八叉树的卷积神经网络,用于高效的三维形状编码和解码。该方法以相同的分辨率表示具有体素的3D形状,以不同级别的八叉树细分自适应地表示3D形状,并使用平面面片在每个octant内建模3D表面。
05
Occupancy Networks: Learning 3D Reconstruction in Function Space [Mescheder et al.]
推荐理由:这篇发表在CVPR 2019的论文是神经隐式场表示的早期尝试之一,神经网络学习坐标到坐标点在boundary surface内部或外部的映射来表示三维形状。
06
Local Implicit Grid Representations for 3D Scenes [Jiang et al.]
推荐理由:这篇论文的原理主要是在整个场景中,在固定大小的grid分割下,里面的3D表面可能具有相同的几何细节。于是,在规则划分空间后,在局部使用神经隐式场可以表达重建整个场景。文章发表在CVPR2020上。