Geometric Median Shapes
California Institute of Technology（加州理工学院）
提出了一种基于中值向高维扩展的形状几何中值计算算法。中值查找问题被公式化为距离上的优化，并且直接使用分水岭方法作为优化器来解决。我们表明，计算形状的几何中值是强大的离群值的存在，它优于平均形状，可以很容易地受到离群值的存在。因此，几何中值形状忠实地表示数据的真实集中趋势，无论是否被污染。我们的方法可以适用于流形和非流形形状，连接或断开的形状。距离变换和分水岭算法的应用，图像处理的两个良好建立的结构，导致一个算法，可以快速实现，以产生快速的解决方案与线性存储的要求。我们证明了我们的方法在合成和自然的形状，并比较中位数和平均值的结果下，越来越多的污染强离群值。
2019-04-15 cs.CV
Diffusion framework for geometric and photometric data fusion in non-rigid shape analysis
Technion, Israel Institute of Technology（以色列理工学院）；Università della Svizzera Italiana（瑞士意大利语区大学）；Tel Aviv University（特拉维夫大学）
在本文中，我们探讨了使用扩散几何框架融合的几何和光度信息的局部和全局形状描述符。我们的建设是基于嵌入到一个高维空间的嵌入坐标表示光度信息的形状流形上的扩散过程的定义。实验结果表明，这种数据融合是有用的，在应对不同的挑战，纯几何和纯光度方法失败的形状分析。
2011-01-22 cs.CV
Diffusion-geometric maximally stable component detection in deformable shapes
Tel Aviv University（特拉维夫大学）；University of Lugano（卢加诺大学）
最大稳定分量检测是一种非常流行的图像特征分析方法，主要是由于其计算成本低和重复性高。随着基于特征的方法在几何形状分析中的最新进展，在3D世界中找到类似的方法具有重要的意义。在本文中，我们制定了一个扩散几何框架的稳定成分检测在非刚性的3D形状，它可以用于几何特征检测和描述。在SHREC'10特征检测基准上对我们的方法进行了定量评估，显示了其作为高质量特征来源的潜力。
2010-12-17 cs.CV
ShapeClipper: Scalable 3D Shape Learning from Single-View Images via Geometric and CLIP-based Consistency
Georgia Institute of Technology（佐治亚理工学院）；Google Research（谷歌研究院）
ShapeClipper利用CLIP编码一致性和现成法线几何约束，从单视图分割图像中重建三维形状，无需多视图或姿态标注，并在多个真实数据集上超越现有方法。
2023-04-13 cs.CV
Signature of Geometric Centroids for 3D Local Shape Description and Partial Shape Matching
University of Science and Technology of China（中国科学技术大学）
从不同视图获取的深度扫描可能包含噪声、遮挡和变化的点密度等干扰。我们提出了一种新的签名几何质心描述符，支持直接形状匹配的扫描，而不需要任何预处理，如扫描去噪或转换成一个网格。首先，我们构建描述符体素化的局部形状在一个唯一定义的局部参考框架和连接几何质心和点密度特征提取的每个体素。其次，我们通过只使用相应的体素都是非空的，从而支持匹配不完整的局部形状，如那些接近扫描边界的描述符进行比较。第三，我们提出了一个描述符显着性措施，并计算它从一个矢量图，以提高形状匹配性能。我们证明了描述符的鲁棒性和有效性的形状匹配，通过比较它与三个国家的最先进的描述符，并将其应用到对象/场景重建和3D对象识别。
2016-12-26 cs.CV
Geometric Digital Twinning of Industrial Facilities: Retrieval of Industrial Shapes
University of Florida（佛罗里达大学）；University of Cambridge（剑桥大学）
本文设计，实现和基准测试一种新的形状检索方法，可以准确地匹配个人标记的点簇（实例）现有的工业设施与各自的CAD模型。它采用图像和点云深度学习网络的组合来分类实例并将其匹配到几何相似的CAD模型。它扩展了我们以前的研究几何数字孪生生成从点云数据，这是目前一个繁琐的，手动的过程。实验结果表明，该网络能够可靠地检索CAD模型，准确率为85.2%.所提出的研究是一个基本框架，使几何数字孪生（gDT）管道，并将真正的几何配置到数字孪生。
2022-02-10 cs.CV
Shapes2Toon: Generating Cartoon Characters from Simple Geometric Shapes
Ahsanullah University of Science and Technology（阿赫桑努拉科技大学）；University of Colorado Boulder（科罗拉多大学博尔德分校）
动画片是我们娱乐文化的重要组成部分。虽然画卡通并不适合所有人，但使用基本几何图元的排列来近似角色是艺术中相当常见的技术。这种技术背后的关键动机是，人体-以及卡通人物-可以分解为各种基本几何图元。有许多教程可以演示如何使用基本形状的适当排列来绘制图形，从而帮助我们创建卡通人物。这种技术是非常有益的儿童在教他们如何画漫画。在本文中，我们开发了一个工具-shape 2 toon-，旨在通过利用生成对抗网络，结合几何图元（即圆），并根据给定的近似生成卡通人物（即米老鼠）自动化这种方法。为此，我们创建了一个几何表示的卡通人物的数据集。我们在我们的数据集上应用图像到图像的翻译技术，并在本文中报告结果。实验结果表明，该系统可以从输入的几何图形布局中生成卡通人物。此外，我们还展示了一个基于网络的工具，作为我们工作的实际意义。
2022-11-03 cs.CV
Geo-SIC: Learning Deformable Geometric Shapes in Deep Image Classifiers
University of Virginia（弗吉尼亚大学）
可变形形状提供了图像中呈现的对象的重要且复杂的几何特征。然而，这样的信息往往是失踪或未充分利用作为隐含的知识在许多图像分析任务。本文介绍了Geo-SIC，这是第一个在变形空间中学习可变形形状的深度学习模型，用于提高图像分类的性能。我们引入了一个新设计的框架，（i）同时从图像和潜在的形状空间与大类内变化的功能;（ii）通过允许直接存取图像数据的底层几何特征，获得增加模型的可解释性。特别是，我们开发了一个提升的分类网络，配备了一个无监督学习的几何形状表示，其特征在于每个类内的同构变换。与以前使用预提取形状的方法相比，我们的模型提供了一种更基本的方法，通过与图像分类器一起自然学习最相关的形状特征。我们证明了我们的方法在模拟的2D图像和真实的3D脑磁共振（MR）图像上的有效性。实验结果表明，我们的模型大大提高了图像分类的准确性，增加了模型的可解释性的额外好处。我们的代码可在https://github.com/jw4hv/Geo-SIC上公开获取
2022-10-25 cs.CV
Improving Shape Awareness and Interpretability in Deep Networks Using Geometric Moments
Arizona State University（亚利桑那州立大学）
本文提出一种受几何矩启发的深度学习模型，通过可训练网络生成坐标基和仿射参数以任务特定方式实现特征几何不变性，在标准图像分类数据集上性能超越基线和ResNet模型，并显著提升了特征的可解释性。
2023-05-22 cs.CV
3D Shape Segmentation with Geometric Deep Learning
Fondazione Bruno Kessler（布鲁诺·凯斯勒基金会）
具有高密度顶点的3D形状的语义分割可能由于大的存储器需求而不切实际。为了使这个问题在计算上易于处理，我们提出了一种基于神经网络的方法，产生3D增强视图的3D形状，以解决整个分割的子分割问题。通过将3D形状的顶点和法线投影到从形状周围的不同视点获取的2D规则网格上来获得3D增强视图。然后，这些3D视图由卷积神经网络处理，以产生每个顶点的语义类集合上的概率分布函数（pdf）。然后，这些PDF文件被重新投影到原始3D形状上，并通过条件随机场使用上下文信息进行后处理。我们验证我们的方法使用公开的数据集和使用摄影测量技术重建的真实物体的3D形状。我们将我们的方法与最先进的替代方案进行比较。
2020-02-02 cs.CV
3D Textured Shape Recovery with Learned Geometric Priors
ETH Zurich（苏黎世联邦理工学院）
从部分扫描中恢复3D纹理形状对于许多现实世界的应用至关重要。现有的方法已经证明了隐函数表示的有效性，但它们遭受严重遮挡和变化的对象类型的部分输入，这极大地阻碍了它们在现实世界中的应用价值。本技术报告介绍了我们的方法，以解决这些限制，结合学习几何先验。为此，我们从学习的姿势预测中生成SMPL模型，并将其融合到部分输入中，以添加人体的先验知识。我们还提出了一种新的完整性感知的限界框适应处理不同级别的规模和部分扫描的partialness。
2022-09-07 cs.CV
Partial-to-Partial Shape Matching with Geometric Consistency
Technical University of Munich（慕尼黑工业大学）；University of Bonn（波恩大学）
针对三维扫描导致的部分到部分形状匹配难题，本文利用几何一致性约束，提出基于三角形乘积空间的整数非线性规划及线性整数规划剪枝算法，并构建新类间数据集，在类内与类间基准上均超越现有SOTA方法。
2024-05-10 cs.CV
Training-free Spatially Grounded Geometric Shape Encoding (Technical Report)
Microsoft Research（微软研究院）
本文提出XShapeEnc，一种无需训练的通用空间几何形状编码策略，通过分解几何形状和姿态，利用正交Zernike基和频率传播操作，实现高效、可逆且频率丰富的紧凑表示，适用于多种二维空间任务。
2026-05-09 cs.CV
Second-order Shape Optimization for Geometric Inverse Problems in Vision
我们开发了一种形状空间优化方法，即，曲面的模重新参数化集。与以前提出的梯度流不同，我们通过对Hessian形状的精细近似来实现超线性收敛速度，Hessian形状通常很难计算，并且存在一系列退化。我们的分析突出了平均曲率运动的作用与一阶方案相比：而不是表面积，我们的方法惩罚变形，无论是通过其Dirichlet能量或总变分。后正则化火花的发展交替方向的乘子方法的三角形网格。其中，共轭梯度求解器使我们能够绕过在整体优化过程中出现的高斯正规方程的形成。我们结合了所有上述的想法在一个通用的几何变分正则Levenberg-Marquardt型方法适用于各种形状泛函，取决于表面的固有属性，如正常的字段和曲率，以及它的嵌入到空间。有希望的实验结果报告。
2014-04-13 cs.CV
Learned 3D Shape Representations Using Fused Geometrically Augmented Images: Application to Facial Expression and Action Unit Detection
本文提出了一种方法来学习通用的多模态网格表面表示使用一种新的计划融合纹理和几何数据。我们的方法定义了在网格表面或其下采样版本上计算的不同几何描述符之间的逆映射，以及网格的相应2D纹理图像，允许构建融合几何增强图像（FGAI）。这种新的融合模式使我们能够通过简单地采用标准的卷积神经网络在转移学习模式中以高效的方式从3D数据中学习特征表示。与现有的方法相比，该方法是计算和内存效率，保留固有的几何信息，并学习高度区分的特征表示，有效地融合形状和纹理信息在数据级。我们的方法的有效性证明了面部动作单元检测和表情分类的任务。在博斯普鲁斯海峡和BU-4DFE数据集上进行的大量实验表明，与最先进的解决方案相比，我们的方法在性能上有显著提高
2019-04-08 cs.CV
Combining Image- and Geometric-based Deep Learning for Shape Regression: A Comparison to Pixel-level Methods for Segmentation in Chest X-Ray
University of Lübeck（吕贝克大学）
提出一种结合轻量级CNN与Point Transformer的混合形状回归方法，在胸部X光分割中达到与最先进卷积解码器相当的质量，且对图像失真更具稳定性，参数量远低于nnU-Net基线。
2024-01-15 cs.CV
An Integer Linear Programming Approach to Geometrically Consistent Partial-Partial Shape Matching
Technical University of Munich（慕尼黑技术大学）；MCML；University of Bonn（波恩大学）；Lamarr Institute（拉马尔研究所）
本文提出了一种基于整数线性规划的方法，用于解决部分-部分3D形状匹配中的几何一致性问题，实现了高精度匹配和良好的可扩展性。
2026-02-06 cs.CV
Fast Globally Optimal and Geometrically Consistent 3D Shape Matching
University of Bonn（波恩大学）；Lamarr Institute（拉马尔研究所）
针对3D形状匹配中几何一致性难保障的问题，提出将形状表面表示为循环路径、通过超积图最小代价环流求解全局最优一致匹配的可扩展框架，实验验证其高效且高质量。
2025-07-29 cs.CV cs.GR
Deep Geometric Moments Promote Shape Consistency in Text-to-3D Generation
Arizona State University（亚利桑那州立大学）；Seoul National University of Science and Technology（首尔科学技术大学）；Intel Labs（英特尔实验室）
MT3D利用高保真3D对象和深度几何矩，克服视角偏差，确保文本到3D生成中的形状一致性，提高3D表示质量。
2025-01-21 cs.CV
What does 2D geometric information really tell us about 3D face shape?
University of York（约克大学）；Marmara University（马尔马拉大学）
人脸图像包含以可用于估计3D人脸形状的配置信息和轮廓的形式的几何线索。虽然很明显，如果没有进一步的约束，从2D点的3D重建是高度模糊的，人们可能会期望面空间约束解决这个问题。我们表明，这是不是这种情况下，几何信息是一个模糊的线索。这种模糊性有两个来源。第一个是，在3D面部形状的空间内，当面部的某些部分固定时，仍存在柔性模式。第二种只发生在透视投影下，并且是随着相机距离变化的透视变换的结果。当在不同距离观察时，两个不同的面可以产生相同的2D几何体。为了证明这些模糊性，我们开发了新的算法，用于拟合3D变形模型的2D地标或轮廓下的正投影或透视投影，并显示如何计算灵活性模式的两种情况下。我们表明，这两个拟合问题可以构成一个可分离的非线性最小二乘问题，并有效地解决。我们证明了定量和定性的模糊性是存在于重建的几何信息，但也从一个国家的最先进的CNN为基础的方法重建。
2019-07-30 cs.CV
DPF-Net: Combining Explicit Shape Priors in Deformable Primitive Field for Unsupervised Structural Reconstruction of 3D Objects
National Engineering Laboratory for Brain-inspired Intelligence Technology and Application（脑启发智能技术与应用国家工程实验室）；University of Science and Technology of China（中国科学技术大学）
针对无监督3D结构重建中几何细节捕捉与结构一致性难题，提出基于可变形基元场的DPF-Net，通过两阶段流程实现高质量重建，在多类物体上验证了有效性与泛化性。
2023-08-25 cs.CV
Unpaired Multi-domain Attribute Translation of 3D Facial Shapes with a Square and Symmetric Geometric Map
Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；University of Chinese Academy of Sciences（中国科学院大学）；Soochow University（苏州大学）
针对3D人脸属性迁移的现有局限，提出结合方形对称几何图、非配对多域学习框架和分层判别器的3D人脸属性迁移方法，在高保真形状生成上优于现有技术，可支撑表情迁移等下游应用。
2023-08-25 cs.CV
HybridSDF: Combining Deep Implicit Shapes and Geometric Primitives for 3D Shape Representation and Manipulation
EPFL（洛桑联邦理工学院）；Neural Concept
深隐式曲面擅长于建模一般形状，但并不总是捕捉制造对象中存在的不规则性，而这是简单几何图元特别擅长的。在本文中，我们提出了一种表示相结合的潜在和显式的参数，可以解码成一组深隐和几何形状是相互一致的。因此，我们可以有效地对制造对象中共存的复杂和高度规则的形状进行建模。这使得我们的方法能够以高效和精确的方式操纵3D形状。
2022-09-08 cs.AI cs.CG cs.CV
GeoReF: Geometric Alignment Across Shape Variation for Category-level Object Pose Refinement
Southern University of Science and Technology（南方科技大学）；University of Birmingham（伯明翰大学）；the University of Hong Kong（香港大学）
针对类别级物体位姿精修中形状差异大、目标与先验有偏差的难题，提出整合HS层、可学习仿射变换与跨点云变换的GeoReF框架，结合形状先验预测误差，在各指标上大幅优于基线。
2024-04-17 cs.CV
Combinative Matching for Geometric Shape Assembly
POSTECH；Samsung Research America（三星美国研究院）；RLWRLD
本文提出组合匹配方法，通过显式建模互锁形状的相同表面与相反体积占用，并结合等变神经网络估计方向，有效减少匹配歧义，在几何组装任务上超越现有技术。
2025-11-01 cs.AI cs.CV
DiscoMatch: Fast Discrete Optimisation for Geometrically Consistent 3D Shape Matching
University of Bonn（波恩大学）；MPI for Informatics（马克斯·普朗克信息学研究所）；Saarland Informatics Campus（萨尔兰信息学园区）；Heinrich-Heine University Düsseldorf（海因里希·海涅杜塞尔多夫大学）
针对3D形状匹配中基于学习方法缺乏几何一致性、基于公理优化方法难扩展且需初始化的问题，提出兼具无需初始化、可大规模并行、提供最优性间隙、提升匹配质量并减少运行时间等特性的组合求解器DiscoMatch。
2024-11-26 cs.CV
Shape DNA: Basic Generating Functions for Geometric Moment Invariants
Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）
几何不变矩作为形状分析和信息检索的基本工具得到了广泛的应用。它们的结构和特点决定了效率和效力。发现了两个基本的构造块或生成函数，即欧氏空间中点向量的点积和向量积。通过选择GF的不同乘积并计算相应的重积分，将点向量坐标的多项式转化为几何矩，从而得到原始不变量（PI）。然后，不变量本身以矩的乘积的形式表示。这个过程就像DNA编码蛋白质一样。文献中所有可用的GMI都可以分解为PI的线性组合。本文表明，胡的七个著名的GMI在计算机视觉有一个更深的结构，可以进一步分为简单的PI的组合。在实际应用中，低阶独立的GMI是特别感兴趣的。本文提出了一组用于二维相似变换和仿射变换的PI，这些PI使用起来比较简单，其中一些PI是新报道的。这两个生成函数的发现为更好地理解二维和三维欧氏空间中的形状提供了一个新的视角，所提出的方法可以进一步推广到高维空间和不同的流形，如曲线、曲面等。
2017-05-24 cs.CV
Structured 2D Representation of 3D Data for Shape Processing
本文提出用固定长度结构化二维表示描述三维形状，使二维CNN可同时用于三维分类与分割，并在ModelNet40上取得99.7%的分类准确率，显著超越此前最优结果。
2023-08-11 cs.CV
PointMCD: Boosting Deep Point Cloud Encoders via Multi-view Cross-modal Distillation for 3D Shape Recognition
City University of Hong Kong（香港城市大学）
针对点云编码器学习能力不足的问题，提出多视图跨模态蒸馏框架PointMCD，通过可见性感知特征投影实现2D视觉与3D几何特征对齐，有效提升点云编码器在多类3D任务上的性能。
2023-06-15 cs.CV
SGSoft: Learning Fused Semantic-Geometric Features for 3D Shape Correspondence via Template-Guided Soft Signals
KAIST AI（韩国科学技术院人工智能研究所）；Anigma Technologies（Anigma科技公司）
本文提出SGSoft方法，通过模板引导的软信号学习融合语义-几何特征，实现3D形状对应，解决了结构变化、非等距变形和拓扑不一致的挑战，实现了最先进的跨类别泛化和最佳精度-效率权衡。
2026-05-18 cs.CV
3D Geometric Shape Assembly via Efficient Point Cloud Matching
POSTECH（浦项科技大学）；Seoul National University（首尔大学）
针对3D几何形状组装任务，提出基于粗细两级点云局部对应匹配的PMTR框架，通过近似高阶特征变换层PMT实现零件配合面可靠匹配，在Breaking Bad基准上性能与效率均超现有最优方法。
2024-07-15 cs.AI cs.CV
Leveraging SE(3) Equivariance for Learning 3D Geometric Shape Assembly
本文提出利用 SE(3) 等变性解耦零件的形状与位姿，并将其扩展到多零件相关表示，以提升 3D 几何碎片装配性能。
2023-12-18 cs.AI cs.CV
Disentangling Geometric Deformation Spaces in Generative Latent Shape Models
University of Toronto（多伦多大学）；Samsung Toronto AI Research Center（三星多伦多人工智能研究中心）；Vector Institute for Artificial Intelligence（矢量人工智能研究所）
3D对象的完整表示需要以可解释的方式表征变形空间，从单个实例的关节到跨类别的形状变化。在这项工作中，我们改进了先前的生成模型的几何解纠缠的三维形状，其中的空间对象的几何形状被分解为刚性方向，非刚性姿势，和内在的形状。所得到的模型可以从原始的3D形状中训练，没有对应关系，标签，甚至刚性对齐，使用经典的光谱几何和结构化潜在表示空间的概率解纠缠的组合。我们的改进包括更复杂的处理旋转不变性和使用一个同构流网络来桥接潜在的光谱空间。潜在空间的几何结构赋予了对象的变形空间的可解释的表征。此外，它还支持姿势转移和姿势感知检索等任务，而无需监督。我们评估我们的模型的生成建模，表示学习，和解纠缠性能，显示出改进的旋转不变性和内在-外在因子分解质量比以前的模型。
2023-03-19 cs.CV cs.LG
Geometric Point Attention Transformer for 3D Shape Reassembly
Tsinghua University（清华大学）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
针对3D部件重组装中几何关系建模不足的问题，提出GPAT，融合全局与局部几何特征及位姿，并通过几何循环迭代细化，提升绝对位姿估计与对齐精度。
2024-12-01 cs.AI cs.CV cs.LG
Automatic Parameterization for Aerodynamic Shape Optimization via Deep Geometric Learning
ISAE-SUPAERO（法国高等航空航天学院）
本研究提出两种基于深度几何学习的气动外形优化自动参数化模型，结合新型正则化损失实现网格变形整合，模型完全可微，经二维翼型实验验证并明确了各自适用场景。
2023-05-03 cs.CV physics.flu-dyn
Learning to Assemble Geometric Shapes
Pohang University of Science and Technology (POSTECH)（浦项科技大学）；POSCO（浦项制铁公司）
将零件组装成一个物体是一个组合问题，它出现在现实世界的各种背景下，涉及科学和工程中的许多应用。以前的相关工作处理有限的情况下，相同的单元零件或拼图风格的部分纹理形状，这大大减轻了组合的问题的挑战。在这项工作中，我们介绍了更具挑战性的形状组装问题，其中涉及具有不明显连接的任意形状的无纹理碎片，然后提出了一种基于学习的方法来解决它。我们证明了各种场景下的形状组装任务的有效性，包括具有异常碎片的任务（例如，丢失和失真）、不同的片段数目以及不同的旋转离散化。
2022-06-20 cs.CV cs.LG
Geometric Shape Features Extraction Using a Steady State Partial Differential Equation System
Kyoto University（京都大学）
本文提出了一种将稳态偏微分方程（PDE）系统作为边值问题来处理的从二值图像数据中提取几何形状特征的统一方法。偏微分方程和函数的制定，以提取厚度，方向，和骨架同时进行。所提出的方法的主要优点是，方向的定义没有衍生物和厚度的计算是不强加的拓扑约束的目标形状。一个一维的解析解提供了验证所提出的方法。此外，二维数值算例证实了所提出的方法的有效性。
2019-04-13 cs.AI cs.CV cs.GR
ShapeFlow: Learnable Deformations Among 3D Shapes
UC Berkeley（加州大学伯克利分校）；Stanford University（斯坦福大学）；Google Brain（谷歌大脑）
我们提出了ShapeFlow，一个基于流的模型，用于学习具有较大类内变化的整个3D形状类的变形空间。ShapeFlow允许学习多模板变形空间，该空间与形状拓扑无关，但保留了精细的几何细节。与其中将潜在向量直接解码成形状的生成空间不同，变形空间将向量解码成可以将源形状向目标平流输送的连续流。这样的空间自然允许几何风格（来自源）和结构姿态（符合目标）的解开。我们参数化的几何形状之间的变形作为一个学习的连续流场通过神经网络，并表明，这种变形可以保证具有理想的属性，如双射性，自由自相交，或体积保存。我们说明了这种学习变形空间的各种下游应用程序的有效性，包括形状生成通过变形，几何风格转移，无监督学习的一致参数化的整个类的形状，形状插值。
2021-06-23 cs.CV cs.GR
Neural Geometric Level of Detail: Real-time Rendering with Implicit 3D Shapes
NVIDIA（英伟达）；University of Toronto（多伦多大学）；McGill University（麦吉尔大学）；Vector Institute（向量研究所）
神经符号距离函数（SDF）正在成为3D形状的有效表示。最先进的方法通常用大的、固定大小的神经网络对SDF进行编码，以用隐式表面来近似复杂的形状。然而，使用这些大型网络进行渲染在计算上是昂贵的，因为它需要为每个像素通过网络进行多次前向传递，使得这些表示对于实时的【形】图形来说是不切实际的。我们引入了一种高效的神经表示，首次实现了高保真神经SDF的实时的【形】渲染，同时实现了最先进的几何重建质量。我们表示隐式曲面使用八叉树为基础的功能体积，自适应地适合形状与多个离散层次的细节（LOD），并使连续的LOD与SDF插值。我们进一步开发了一个有效的算法，直接渲染我们的新的神经SDF表示实时的【形】查询只有必要的LOD与稀疏八叉树遍历。我们表明，我们的表示是2-3个数量级更有效的渲染速度相比，以前的作品。此外，它产生了国家的最先进的重建质量的复杂形状下的3D几何和2D图像空间度量。
2021-01-26 cs.CV cs.GR
Unsupervised Learning for Cuboid Shape Abstraction via Joint Segmentation from Point Clouds
University of Science and Technology of China（中国科学技术大学）
将复杂的3D对象表示为简单的几何图元，称为形状抽象，对于几何建模，结构分析和形状合成非常重要。在本文中，我们提出了一个无监督的形状抽象方法来映射点云到一个紧凑的长方体表示。我们共同预测长方体分配部分分割和长方体形状，并加强分割和形状抽象之间的一致性，以进行自学习。对于长方体抽象任务，我们使用变分自动编码器网络将输入点云转换为一组参数长方体。分割网络将每个点分配到一个长方体中，考虑点-长方体的亲和力。在没有手动注释的点云中的零件，我们设计了四个新的损失，共同监督两个分支的几何相似性和长方体的紧凑性。我们评估我们的方法对多个形状集合，并证明其优于现有的形状抽象方法。此外，基于我们的网络架构和学习表示，我们的方法支持各种应用，包括结构化形状生成，形状插值和结构形状聚类。
2021-06-07 cs.CV cs.GR
Learning Fourier shapes to probe the geometric world of deep neural networks
Shaanxi Key Laboratory of Deep Space Exploration Intelligent Information Technology（陕西深空探测智能信息技术重点实验室）；School of Information and Communications Engineering（信息与通信工程学院）
本文提出端到端可微框架，用傅里叶级数参数化形状并结合环绕数映射与能量约束，证明优化形状可作为语义载体、可解释性工具和可泛化对抗范式，为探测DNN几何理解开辟新途径。
2025-11-07 cs.AI cs.CV cs.LG
Dual Geometric Graph Network (DG2N) -- Iterative network for deformable shape alignment
Tel Aviv University（特拉维夫大学）
我们提供了一种新的方法，使用对偶图结构，局部特征映射概率对齐几何模型。非刚性结构的对准是最具挑战性的计算机视觉任务之一，因为需要大量的未知数来建模对应关系。我们已经看到DNN模型在模板对齐和功能映射中的飞跃，但是这些方法在存在非等距变形的类间对齐中失败了。在这里，我们建议重新考虑这项任务，并使用展开概念的对偶图结构-一个用于前向映射和一个用于后向映射，其中的功能被拉回到匹配概率从目标到源。我们报告了最先进的结果可拉伸域对齐的网格和点云的快速和稳定的解决方案。
2021-03-27 cs.CV cs.LG
DEF: Deep Estimation of Sharp Geometric Features in 3D Shapes
Skoltech（斯科尔科沃科学技术学院）；New York University（纽约大学）；AIRI（人工智能研究所）
我们提出了深度特征估计器（Deep Estimators of Features，DEF），这是一个基于学习的框架，用于预测采样的3D形状中的尖锐几何特征。从现有的数据驱动的方法，这减少了这个问题的特征分类，我们建议回归一个标量场表示从点样本到最近的特征线上的局部补丁的距离。我们的方法是第一个通过融合单个补丁上获得的距离到特征估计来扩展到大规模点云的方法。我们广泛评估我们的方法对相关国家的最先进的方法，新提出的合成和现实世界的3D CAD模型基准。我们的方法不仅优于这些方法（在召回率和假阳性率方面有所改进），而且在合成数据上训练我们的模型并在扫描数据的小数据集上对其进行微调后，可以推广到现实世界的扫描。我们展示了一个下游应用程序，在那里我们重建一个明确的表示，直和弯曲的尖锐的特征线范围扫描数据。
2022-05-26 cs.CG cs.CV
3DStyleNet: Creating 3D Shapes with Geometric and Texture Style Variations
NVIDIA（英伟达）；University of Toronto（多伦多大学）；Vector Institute（向量研究所）
我们提出了一种方法来创建合理的几何和纹理风格变化的3D对象在寻求民主化的3D内容创作。给定一对纹理化的源对象和目标对象，我们的方法预测一个部分感知的仿射变换场，该仿射变换场自然地扭曲源形状以模仿目标的整体几何风格。此外，目标的纹理风格被转移到扭曲的源对象的帮助下，多视图微分渲染器。我们的模型3DStyleNet由两个分两个阶段训练的子网络组成。首先，几何风格网络在大量无纹理的3D形状上进行训练。其次，我们联合优化我们的几何风格网络和预训练的图像风格传输网络，损失定义在几何和结果的渲染上。给定一小部分高质量纹理对象，我们的方法可以创建许多新颖的风格化形状，从而轻松创建3D内容和风格件数据增强。我们展示了我们的方法定性的3D内容风格化，并提供用户研究，以验证我们的结果的质量。此外，我们的方法可以作为一个有价值的工具来创建三维数据增强的计算机视觉任务。广泛的定量分析表明，3DStyleNet优于替代数据增强技术的单图像三维重建的下游任务。
2021-08-30 cs.AI cs.CV cs.GR
Geometric Disentanglement for Generative Latent Shape Models
University of Toronto（多伦多大学）；Vector Institute for AI（矢量人工智能研究院）；Samsung AI Center Toronto（多伦多三星人工智能中心）；Samsung Research America, Inc.（美国三星研究公司）
三维形状表示是人工智能的一个基本问题，在计算机视觉和图形学中有着广泛的应用。最近开始探索的一条途径是使用生成模型的潜在表示。然而，它仍然是一个开放的问题，学习一个生成模型的形状，是可解释的，易于操纵，特别是在没有监督标签。在本文中，我们提出了一种无监督的方法来划分的潜在空间的变分自编码器的三维点云在一个自然的方式，只使用几何信息。我们的方法利用工具从谱微分几何分离的内在和外在的形状信息，然后考虑几个层次的解纠缠的处罚，以这种方式划分的潜在空间，包括一个新的惩罚雅可比矩阵的解码输出的潜在表示相对于潜在的编码。我们表明，由此产生的表示具有直观和可解释的行为，使任务，如姿势转移和姿势感知形状检索，不能很容易地执行的模型与纠缠表示。
2019-08-18 cs.CV cs.LG eess.IV
Implicit Geometric Regularization for Learning Shapes
Weizmann Institute of Science（魏茨曼科学研究所）
将形状表示为神经网络的水平集最近已被证明对于不同的形状分析和重建任务是有用的。到目前为止，这样的表示是使用：（i）预先计算的隐式形状表示;或（ii）在神经水平集上明确定义的损失函数。在本文中，我们提供了一个新的范式，用于直接从原始数据计算高保真隐式神经表征（即，点云，具有或不具有法线信息）。我们观察到，一个相当简单的损失函数，鼓励神经网络在输入点云上消失，并具有单位范数梯度，具有隐式几何正则化属性，有利于光滑和自然的零水平集表面，避免坏的零损失解决方案。我们提供了一个理论分析的线性情况下，这个属性，并表明，在实践中，我们的方法导致国家的最先进的隐式神经表示与以前的方法相比，具有更高层次的细节和保真度。
2020-07-09 cs.CV cs.GR cs.LG
An integrated geometric quantification and shape analysis framework for axillary lymph node metastasis in breast cancer patients
Central South University（中南大学）；The Second Xiangya Hospital, Central South University（中南大学湘雅二医院）；Clinical Research Center for Breast Disease in Hunan Province（湖南省乳腺疾病临床研究中心）；The Chinese University of Hong Kong（香港中文大学）
该研究提出集成拓扑感知表面处理与多分辨率球谐分析的框架，用于定量表征乳腺癌腋窝淋巴结形态，其混合分辨率模型AUC达0.918，优于传统基线，并验证了可移植性。
2026-09-29 cs.CV q-bio.QM
Flexible Mesh Segmentation via Reeb Graph Representation of Geometrical and Topological Features
University of Burgundy（勃艮第大学）
提出一种基于Reeb图表示整合几何与拓扑特征的网格分割方法，通过拓扑简化与自适应区域生长实现高效分割，复杂度O(n log n)，在部件分解和地形分析中验证有效性。
2025-01-20 cs.CV cs.GR
Joint Representation of Multiple Geometric Priors via a Shape Decomposition Model for Single Monocular 3D Pose Estimation
Xiamen University（厦门大学）；South China University of Technology（华南理工大学）
在本文中，我们的目标是恢复三维人体姿态从二维人体关节的一个单一的图像。这项任务的主要挑战是深度模糊，因为不同的3D姿态可能会产生类似的2D姿态。尽管在无监督学习和监督学习方法中发现了许多新的进展，但大多数方法的性能受到训练数据的不充分和丰富性的影响。为了缓解这个问题，我们提出了一个无监督学习的方法，这是能够估计各种复杂的构成有限的训练数据。具体来说，我们提出了一个形状分解模型（SDM），其中的3D姿态被认为是两个部分的叠加，这是全球结构与一些变形。基于SDM，我们通过求解两组不同分布的几何先验组合系数来显式估计这两部分。此外，为了获得几何先验知识，提出了一种联合字典学习算法，从有限的训练数据中同时提取粗、细姿态线索。对几个广泛使用的数据集的定量评估表明，我们的方法比其他竞争方法产生更好的性能。特别是，在一些类别与更复杂的变形，显着的改善，实现了我们的方法。此外，在野外图像上进行的定性实验也表明了所提出的方法的有效性。
2019-05-31 cs.AI cs.CV
Dense Object Reconstruction from RGBD Images with Embedded Deep Shape Representations
Shanghaitech University（上海科技大学）
大多数涉及同时定位与地图构建的问题现在可以使用两种根本不同的方法之一来解决。传统的方法是由一个最小二乘目标，最大限度地减少了显式参数化的结构和相机参数的许多局部光度或几何残差。通过统计平均或增加鲁棒核和平滑项，遇到违反朗伯曲面假设或单个残差几何不变性的未建模效应。为了更精确的测量模型和包含高阶形状先验，社区最近将注意力转移到深度端到端模型，以解决几何定位和映射问题。然而，在测试时，这些前馈模型忽略了更传统的几何或光度一致性条款，从而导致恢复精细细节的能力较低，并可能在极端情况下完全失败。随着RGBD图像的密集对象建模的应用，我们的工作旨在通过将现代高阶对象形状先验嵌入到经典的迭代残差最小化目标中来两全其美。我们证明了一个一般的能力，以提高映射精度与每一个模态单独，并提出了一个成功的应用程序，以真实的数据。
2018-10-11 cs.CV cs.RO
Generic tool for numerical simulation of transformation-diffusion processes in complex volume geometric shapes: application to microbial decomposition of organic matter
IRD（法国国家可持续发展研究所）；Cadi Ayyad University（卡迪·阿亚德大学）；Sorbonne Université（索邦大学）；University of Yaoundé（雅温得大学）；INRA（法国国家农业研究院）；Khalifa University（哈利法大学）
本文提出了一个通用的框架，数值模拟复杂体积几何形状的转化扩散过程。本工作是对多孔体系中有机物微生物降解微观模拟的延续。我们推广和改进的MOSAIC方法显着，从而产生一个更通用和有效的数值模拟方案。特别是，关于从图中模拟扩散过程，在这项研究中，我们提出了一个完全显式和半隐式的数值方案，可以显着降低计算复杂度。我们验证了我们的方法，通过比较的结果，由经典的格子玻尔兹曼方法（LBM）的微生物分解模拟的上下文中提供的一个。对于相同的数据集，我们在明显更短的计算时间内获得了类似的结果（即，10-15分钟）比之前的工作（几个小时）。此外，经典的LBM方法需要大约3周的计算时间。
2022-08-28 cs.CV eess.IV physics.comp-ph
Transferable Foundation Models for Geometric Tasks on Point Cloud Representations: Geometric Neural Operators
University of California Santa Barbara (UCSB)（加州大学圣巴巴拉分校）
该研究提出预训练几何神经算子（GNPs）作为几何任务的基础模型，可学习点云微分几何鲁棒表示以估计几何属性、近似几何PDE解及求解形状变形方程，并发布代码包支持复用。
2025-04-17 cs.CV cs.LG cs.NA
