ShapeNet
PulseAugur coverage of ShapeNet — every cluster mentioning ShapeNet across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的分层流匹配方法生成3D点云
研究人员推出了一种新颖的3D点云生成方法——分层流匹配（HFM）。HFM通过采用一种捕捉全局形状拓扑和局部几何细节的双层方法，解决了现有流模型和扩散模型的局限性。该方法将生成分解为用于整体形状的潜在流匹配和用于详细重建的条件点流匹配，从而能够以最少的欧拉步数进行高效采样。
-
新的MiSS框架解释3D点云分类器决策
研究人员开发了MiSS，一个用于解释3D点云分类器决策的新颖框架。这个黑盒系统使用扰动相对充分性推理来识别对分类器预测有贡献的几何区域的最小充分联盟。MiSS将候选联盟的提议与其验证分开，采用加权MaxSAT过程进行提议，并使用统计预言机进行验证。在PointNet和PointMLP分类器上对ModelNet40和ShapeNet数据集进行的实验表明，与现有的基于规则的方法相比，MiSS实现了更高的精度和覆盖率，同时还减少了解释时间。
-
新论文揭示3D生成模型未能通过对称性测试
一篇题为“Symmetry Matters: Auditing and Symmetrizing 3D Generative Models”的新研究论文指出了当前3D生成模型的一个重大缺陷：它们在生成对象时未能持续保持对称性。研究人员发现，尽管模型在标准基准测试上表现良好，但在使用对称性感知指标进行评估时，它们会表现出“对称性差距”。研究表明，这个问题并非完全由训练数据引起，而是内嵌于生成过程本身。为解决此问题，该论文提出了一种以数据…
-
Sudu Technology发布具身智能平台，具备高级技能习得能力 · 追踪1个来源
成立一年的初创公司Sudu Technology展示了其具身智能平台Sudo R1，在物体操纵和任务执行方面展现了先进的能力。该公司由3D视觉和机器人模拟领域的知名人士Su Hao教授创立，旨在构建一个全面的通用物理智能技术体系。Sudu的方法侧重于通过广泛的模拟和真实世界数据积累基础的“原子能力”，使机器人能够学习和组合技能以完成复杂任务，而不是依赖于特定任务的训练。
-
新AI方法生成无标签的3D家具编码
研究人员开发了一种新的方法，可以在无需显式标签或姿态标注的情况下生成3D家具模型。通过使用在3D-FUTURE数据集上训练的有限标量量化自编码器，该系统可以提取捕捉类别信息和物体方向的有意义的编码。然而，这些编码在未见过的数据集（如ShapeNet）上的迁移能力取决于家具的形状，类箱体物体的迁移能力优于有机形态。
-
3DMPE方法从部分多视角投影重建三维点云
研究人员推出了3DMPE，一种新颖的无训练方法，可从多个二维投影重建三维点云。这种基于优化的方法可以处理不同视图捕获不同点子集的情况，并在可变投影设置中联合估计投影图。与依赖数据的学习方法不同，3DMPE依赖于几何观察和已建立的对应关系，使其无需进行特定类别的训练即可应用。在ShapeNet和Pix3D数据集上的实验证明了其从部分多视角几何数据重建点云的有效性。
-
GenSP框架学习3D形状的一致球形参数化
研究人员开发了GenSP，一个用于在各种3D形状之间创建一致球形参数化的新框架。与以往独立优化每个形状的方法不同，GenSP学习一个神经生成模型，以预测从单位球体到数据集中形状的连续映射。该方法通过利用学习到的生成器的逆映射，确保相似形状共享一致的参数化。该框架通过使用连续神经变形模型解决了离散化伪影等挑战，并通过潜在空间传播改进了初始对应关系。
-
新框架增强3D生成模型的可解释性
研究人员开发了一个名为3D-CBM的框架，通过集成概念瓶颈模型（Concept Bottleneck Models）来增强3D生成模型的可解释性。该方法旨在通过将潜在表征与人类定义的概念对齐来弥合深度几何学习中的语义鸿沟。该框架在概念验证实验中已证明其有效性，在概念预测方面取得了高准确率，并能够对3D模型中的错误进行精确干预以进行纠正。
-
新方法从噪声数据中学习干净的3D神经场
研究人员开发了一种名为NoiseSDF2NoiseSDF的新方法，用于从有噪声的点云数据中改进3D神经场的重建。该技术将2D图像的Noise2Noise范式扩展到3D，即使输入数据不完美也能学习干净的表面估计。通过最小化有噪声的SDF表示之间的均方误差，网络可以隐式地去噪和细化表面，在各种基准数据集上显示出显著的改进。
-
新AI模型推动3D形状补全和深度估计发展
研究人员推出了几款新的3D形状补全和深度估计模型。大型深度补全模型（LDCM）使用Transformer从稀疏观测生成密集深度图，性能优于现有方法。I2PRef提供了一种图像驱动的点云补全方法，从单个RGB图像重建完整的点云。DinoComplete利用来自DINO特征和状态空间模型的蒸馏语义先验，实现高效鲁棒的3D形状补全，在参数更少的情况下显示出更高的质量。此外，ESSC-RM是一个即插即用框架，可精炼现有的语义场景补全模型以提高预测性能。
-
EvObj通过域自适应推进无监督3D实例分割
研究人员开发了EvObj，一种新颖的无监督3D实例分割方法，克服了合成数据与真实世界数据之间的域差距。该方法采用物体辨别模块来适应物体先验，并采用物体补全模块来重建部分几何体。EvObj在合成和真实世界数据集上均展现出最先进的性能，优于现有的分割基线。
-
新的 Orbit-Space Particle Flow Matching 框架增强了生成模型
研究人员推出了一种用于粒子系统生成模型的新框架——Orbit-Space Geometric Probability Paths (OGPP)。该方法解决了粒子排列对称性相关的挑战，并利用物理空间属性来编码几何属性。OGPP 在 ShapeNet 等基准测试中展示了效率和性能的显著提升，与现有方法相比，使用更少的参数和推理步骤即可取得最先进的成果。
-
RETO Transformer算子通过RoPE增强汽车空气动力学预测
研究人员推出了一种新颖的旋转增强Transformer算子RETO，旨在改进汽车空气动力学预测。该新模型采用双阶段空间感知机制，利用正弦-余弦编码和旋转位置编码（RoPE）来更好地捕捉复杂的空间相关性。RETO在ShapeNet和DrivAerML基准测试中均显著优于现有基线模型，在表面压力和速度预测方面取得了显著的准确性提升。