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
-
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。
-
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。