Marching cubes
PulseAugur coverage of Marching cubes — every cluster mentioning Marching cubes across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
Direct3D-V3: Latent-Free Diffusion Transformers for Native 3D Generation
研究人员开发了Direct3D-V3,一个新颖的无潜在扩散Transformer框架,可以直接在体素域中生成3D模型,无需变分自编码器(VAE)。该方法在训练和采样过程中对原始有符号方向距离函数(SDF)体素网格进行建模,并结合隐式流形正则化以确保几何上可靠且水密的表面。该框架还预测相机参数,以改善条件图像与生成几何之间的对齐,从而产生具有更丰富局部细节的网格,并实现生成式重建。
-
PhaseSurf 框架改进了复杂几何体的三维重建
研究人员推出了一种新颖的神经体绘制框架 PhaseSurf,旨在改进三维重建,特别是在薄结构和符号模糊表面等具有挑战性的几何体方面。与依赖符号距离函数 (SDF) 或无符号距离场 (UDF) 的现有方法不同,PhaseSurf 使用度量-相位场 (MPF)。MPF 结合了用于邻近度的非负度量场和用于符号提示的连续相位场,从而能够进行稳定的梯度计算并稳健地处理复杂形状。这种方法允许使用 Marching Cubes 直接提取等值面,并在…
-
JAX3D 支持分层 NeRF,实现高级三维渲染和重建
研究人员开发了一种使用 JAX 和 jax3d 库创建分层神经辐射场(NeRF)的方法。该方法支持体积渲染、新视角合成和三维重建。本教程详细介绍了构建合成数据集、实现带有位置编码和分层采样的 NeRF,以及使用 JAX 的 JIT 编译和 Adam 优化进行训练的过程。结果通过 PSNR 等指标以及深度、不透明度和提取几何形状的视觉输出来评估。
-
TetraSDF框架能够从神经SDF中精确提取表面
研究人员推出了一种新颖的框架TetraSDF,用于从神经符号距离函数(SDF)中提取显式表面。与引入离散化误差或仅限于更简单的ReLU MLP的传统方法不同,TetraSDF采用了多分辨率四面体位置编码器。这种方法能够学习高频SDF,同时能够将零水平集精确提取为三角形网格。在各种基准测试中,TetraSDF在SDF重建精度方面已显示出与现有基于网格的编码器相当或更优的性能。
-
AI模型直接从医学影像生成心脏网格
研究人员开发了一种新颖的端到端网络,用于直接从3D医学影像重建心脏网格,绕过了传统的分割和网格生成步骤。该方法利用3D Swin Transformer进行特征提取,并使用图注意力网络(GAT)将模板网格变形到心脏边界。在MM-WHS 2017基准测试中,该方法取得了具有竞争力的分割分数,并提高了网格质量,在一次前向传播中即可生成可用于仿真的网格。