LRF-Net: Learning Local Reference Frames for 3D Local Shape Description and Matching
Huazhong University of Science and Technology(华中科技大学);Northwestern Polytechnical University(西北工业大学)
局部参考系(LRF)在三维局部形状描述和匹配中起着关键作用。然而,大多数现有的LRF都是手工制作的,并且具有有限的可重复性和鲁棒性。本文提出了第一次尝试学习LRF通过暹罗网络,只需要弱监督。特别是,我们认为,在局部表面的每个相邻点给LRF建设和测量通过学习权重的贡献是独一无二的。针对不同应用场景的三个公共数据集的广泛分析和比较实验表明,LRF-Net比几种最先进的LRF方法更具可重复性和鲁棒性(LRF-Net仅在一个数据集上训练)。此外,LRF-Net在匹配3D点云时可以显着提高局部形状描述和6-DoF姿态估计性能。
2020-05-03 cs.CV cs.LG
Statistical Confidence Rescoring for Robust 3D Scene Graph Generation from Multi-View Images
Department of Computer Science, National University of Singapore(计算机科学系,新加坡国立大学)
本文提出一种基于统计置信度重打分的方法,仅利用多视图RGB图像生成鲁棒的3D场景图,通过语义掩码引导特征聚合过滤背景噪声,并利用一跳邻域的显式统计先验优化节点和边预测,优于现有纯多视图输入方法。
2025-08-05 cs.CV eess.IV
Mask TextSpotter v3: Segmentation Proposal Network for Robust Scene Text Spotting
Huazhong University of Science and Technology(华中科技大学);Facebook AI(Facebook人工智能)
近年来,端到端可训练的场景文本定位方法,结合检测和识别,显示了很大的进展。然而,目前大多数的任意形状的场景文本spotters使用区域建议网络(RPN)产生的建议。RPN在很大程度上依赖于手动设计的锚点,其建议用轴对齐的矩形表示。前者在处理极端纵横比或不规则形状的文本实例时存在困难,而后者通常在密集定向文本的情况下将多个相邻实例包含到单个提案中。为了解决这些问题,我们提出了Mask TextSpotter v3,这是一个端到端的可训练场景文本定位器,它采用了分割建议网络(SPN)而不是RPN。我们的SPN是无锚的,并给出了任意形状的建议的准确表示。因此,它在检测极端纵横比或不规则形状的文本实例方面优于RPN。此外,SPN产生的准确建议允许掩蔽的RoI特征用于解耦相邻文本实例。因此,我们的TextMask TextSpotter v3可以处理极端宽高比或不规则形状的文本实例,其识别精度不会受到附近文本或背景噪音的影响。具体来说,我们在Rotated ICDAR 2013数据集上的表现比最先进的方法高出21.9%(旋转鲁棒性),在Total-Text数据集上高出5.9%(形状鲁棒性),并在MSRA-TD 500数据集上实现了最先进的性能(纵横比鲁棒性)。代码可在:https://github.com/MhLiao/MaskTextSpotterV3
2020-07-18 cs.CV
Shape-Oriented Convolution Neural Network for Point Cloud Analysis
University of Sydney(悉尼大学);University of New South Wales(新南威尔士大学)
点云是三维几何信息编码的主要数据结构。与其他传统的视觉数据(如图像和视频)不同,这些不规则点描述了3D对象的复杂形状特征,这使得形状特征学习成为点云分析的重要组成部分。为此,形状导向的消息传递计划被称为ShapeConv提出专注于表示学习的基础形状形成的每个局部相邻点。尽管存在这种形状内关系学习,但ShapeConv还被设计为通过捕获局部底层形状之间的长期依赖关系来合并来自形状间关系的上下文效果。这种面向形状的操作符被堆叠到我们的分层学习架构中,即面向形状的卷积神经网络(SOCNN),用于点云分析。大量的实验已经被执行,以评估其在点云分类和零件分割任务中的意义。
2020-04-20 cs.CV
N-SfC: Robust and Fast Shape Estimation from Caustic Images
Computer Graphics Lab, TU Braunschweig(布伦瑞克工业大学计算机图形实验室)
本文讨论了一个极具挑战性的问题,重建折射物体的形状从一个单一的图像,其产生的焦散。由于透明折射物体在日常生活中无处不在,其形状的重建需要大量的实际应用。最近的形状焦散(SfC)的方法铸造的问题作为逆的光传播模拟的焦散图像的合成,这可以通过可微渲染器解决。然而,通过折射表面的光传输的固有复杂性目前限制了关于重建速度和鲁棒性的实用性。为了解决这些问题,我们引入了焦散神经形状(N-SfC),这是一种基于学习的扩展,它将两个组件集成到重建管道中:去噪模块,它降低了光传输模拟的计算成本,以及基于学习的梯度下降的优化过程,它可以使用更少的迭代实现更好的收敛。大量的实验证明了我们的神经扩展在3D玻璃打印质量控制场景中的有效性,我们在计算速度和最终表面误差方面明显优于当前最先进的水平。
2021-12-13 cs.CV cs.GR cs.LG
Adopting a human developmental visual diet yields robust, shape-based AI vision
Osnabrück University(奥斯纳布吕克大学)
本研究提出了一种基于人类视觉发育的AI视觉方法,通过模拟人类视觉发展过程,提升AI在复杂背景下的形状识别能力和鲁棒性。
2026-03-09 cs.CV cs.LG
The shape and simplicity biases of adversarially robust ImageNet-trained CNNs
Auburn University(奥本大学)
在过去的几年里,人类视觉和卷积神经网络(CNN)之间的相似性越来越多。然而,普通CNN通常无法推广到人类表现出优越性能的对抗性或分布外(OOD)示例。对抗性训练是一种领先的学习算法,用于提高CNN对对抗性和OOD数据的鲁棒性;然而,人们对这些特性知之甚少,特别是对抗性强的CNN内部学习到的形状偏差和内部特征。在本文中,我们进行了一项全面、系统的研究,以了解形状偏差和一些内部机制,这些机制使AlexNet、GoogLeNet和ResNet-50模型能够通过对抗训练进行泛化。我们发现,虽然标准的ImageNet分类器具有很强的纹理偏差,但它们的R对应项严重依赖于形状。值得注意的是,对抗性训练在“鲁棒化”CNN的过程中会将三种简单性偏差引入隐藏的神经元。也就是说,R网络中的每个卷积神经元经常改变为检测(1)逐像素的更平滑模式,即,一种阻止高频噪声通过网络的机制;(2)更多的低级特征,即纹理和颜色(而不是对象);(3)更少的输入类型。我们的研究结果揭示了使网络更具对抗性的有趣机制,也解释了最近的一些发现,例如,为什么R网络受益于更大的容量(Xie et al. 2020),并且可以在图像合成中充当强图像先验(Santurkar et al. 2019)。
2022-09-12 cs.CV cs.LG
ShapeR: Robust Conditional 3D Shape Generation from Casual Captures
Meta Reality Labs Research(Meta现实实验室);Simon Fraser University(西蒙弗雷泽大学)
ShapeR通过整合视觉-惯性SLAM、3D检测和视觉-语言模型,从随意捕获的序列中生成鲁棒的条件3D形状,实验显示其在Chamfer距离上优于现有方法2.7倍。
2026-01-16 cs.CV cs.LG
Learning Material-Aware Local Descriptors for 3D Shapes
Cornell Univ.(康奈尔大学);Univ. of Cyprus(塞浦路斯大学);UMass Amherst(马萨诸塞大学阿默斯特分校);Zoox(Zoox公司);Univ. of Utah(犹他大学);Adobe(奥多比公司);IIT Bombay(印度理工学院孟买分校)
材料理解对于功能对象的设计、几何建模和分析至关重要。我们通过采用投影卷积神经网络架构来从3D点的基于视图的表示学习材料感知描述符以用于逐点材料分类或材料感知检索来实现材料感知3D形状分析。不幸的是,3D存储库中只有一小部分形状被标记为物理材料,这对学习方法构成了挑战。为了应对这一挑战,我们众包了一个包含3080个3D形状的数据集,其中包含部分材料标签。我们专注于家具模型,展示有趣的结构和材料的可变性。此外,我们还提供了一个高质量的专家标记的基准115形状从赫尔曼米勒和宜家进行评估。我们进一步应用网格感知的连续随机场,它结合了旋转和反射对称性,以平滑我们的本地材料预测相邻的表面补丁。我们证明了我们的学习描述符自动纹理,材料感知检索和物理模拟的有效性。数据集和代码将公开提供。
2018-10-20 cs.CV
Informative Dropout for Robust Representation Learning: A Shape-bias Perspective
Peking University(北京大学);Microsoft Research Asia(微软亚洲研究院)
众所周知,卷积神经网络(CNN)在做出决策时更多地依赖于局部纹理而不是全局形状。最近的工作也表明了CNN的纹理偏差和它的鲁棒性之间的密切关系,对分布偏移,对抗扰动,随机腐败等,在这项工作中,我们试图提高各种鲁棒性普遍减轻CNN的纹理偏差。从人类视觉系统的启发,我们提出了一个轻量级的模型无关的方法,即信息丢弃(InfoDrop),以提高可解释性和减少纹理偏差。具体地说,我们区分纹理形状的基础上的局部自信息的图像,并采用一个Drop-like算法去相关的模型输出从局部纹理。通过大量的实验,我们观察到增强的鲁棒性在各种情况下(领域泛化,Few-Shot分类,图像损坏,和对抗扰动)。据我们所知,这项工作是最早的尝试之一,以提高不同种类的鲁棒性在一个统一的模型,形状偏差和鲁棒性之间的关系,也对值得信赖的机器学习算法的新方法提供了新的光。代码可在https://github.com/bfshi/InfoDrop上获得。
2020-08-10 cs.CV cs.LG stat.ML
Robust Shape Registration using Fuzzy Correspondences
University of Delaware(特拉华大学)
形状配准是将一个3D模型与另一个3D模型对齐的过程。大多数以前的方法来对齐形状没有已知的对应关系,试图解决这两个变换和对应迭代。我们提出了一种形状注册的方法,解决了使用模糊对应的变换,以最大限度地提高给定的形状和目标形状之间的重叠。采用Levenberg-Marquardt方法从粗到精进行优化。真实和合成实验表明,我们的方法是强大的,优于其他国家的最先进的方法时,点云是嘈杂的,稀疏的,并具有不均匀的密度。实验结果表明,该方法对初始化具有较强的鲁棒性,能够处理较大尺度的变化和旋转。我们还表明,该方法可以用于2D-3D对齐通过射线点对齐。
2017-02-18 cs.CV
Does enhanced shape bias improve neural network robustness to common corruptions?
University of Freiburg(弗莱堡大学);Bosch Center for Artificial Intelligence(博世人工智能中心);TU Chemnitz(开姆尼茨工业大学)
卷积神经网络(CNN)学习提取复杂特征的表示,如物体形状和纹理,以解决图像识别任务。最近的工作表明,在ImageNet上训练的CNN偏向于编码纹理的特征,并且仅这些特征就足以从与训练数据相同的分布中推广到看不见的测试数据,但通常无法推广到分布外的数据。已经表明,用不同的图像风格扩充训练数据减少了这种纹理偏差,有利于增加形状偏差,同时提高了对常见损坏(例如噪声和模糊)的鲁棒性。通常,这被解释为形状偏差增加腐败鲁棒性。然而,这种关系只是假设。我们进行了系统的研究,不同的方式组成的输入的基础上自然的图像,明确的边缘信息,风格化。虽然风格化对于实现高腐败鲁棒性至关重要,但我们没有发现形状偏差和鲁棒性之间存在明显的相关性。我们的结论是,风格变化引起的数据增强占改进的腐败鲁棒性和增加的形状偏差只是一个副产品。
2021-04-20 cs.CV
GTNet: Graph Transformer Network for 3D Point Cloud Classification and Semantic Segmentation
School of Information Science and Technology, Northwest University(西北大学信息科学与技术学院);School of Computer Science and Engineering, Nanyang Technological University(南洋理工大学计算机科学与工程学院)
针对静态图邻域聚合缺陷与Transformer局部建模不足,提出融合动态图局部交叉注意力和全局自注意力的GTNet,用于点云分类、部件及语义分割。
2024-08-05 cs.CV
Interpolated Convolutional Networks for 3D Point Cloud Understanding
The Chinese University of Hong Kong(香港中文大学)
点云是一种重要的三维表示形式。然而,由于点云数据的稀疏、不规则和无序的数据结构,直接在点云上应用卷积是具有挑战性的。在本文中,我们提出了一种新的插值卷积操作,InterpConv,来解决点云特征学习和理解问题。其核心思想是利用一组离散的核权重,并通过卷积插值函数将点特征插值到相邻的核权重坐标。一个归一化项被引入到处理不同稀疏度的邻域。我们的InterpConv被证明是置换和稀疏不变的,可以直接处理不规则的输入。我们进一步设计了基于InterpConv层的插值卷积神经网络(InterpCNN)来处理点云识别任务,包括形状分类、对象部分分割和室内场景语义解析。实验结果表明,该网络能够有效地捕获细粒度的局部结构和全局形状上下文信息。所提出的方法在包括ModelNet40、ShapeNet Parts和S3DIS在内的公共基准测试中实现了最先进的性能。
2019-08-13 cs.CG cs.CV eess.IV
Robust Shape Regularity Criteria for Superpixel Evaluation
Univ. Bordeaux(波尔多大学);IMB(数学与计算机科学研究所);Bordeaux INP(波尔多国立应用科学学院)
本文指出传统圆度度量不适合评估超像素形状规则性,并提出一种综合凸性、均衡分布和轮廓平滑度的新度量,该度量对尺度和噪声鲁棒,能更有效地比较超像素方法。
2025-09-18 cs.CV
Shape and Positional Geometry of Multi-Object Configurations
University of North Carolina(北卡罗来纳大学);Union College(联合学院)
在以前的工作中,我们介绍了一种方法,用于在2D和3D图像中使用数学“中间/骨架链接结构”来建模对象的配置。“在本文中,我们展示了这些结构如何使我们能够捕获多对象配置的位置特性以及单个对象的形状特性。特别是,我们引入了数值不变量的位置属性,测量邻近对象的接近程度,包括识别的对象是接近的部分,和“相对重要性”的对象相比,在配置中的其他对象。使用这些数值的措施,我们引入了一个层次的排序和各个对象之间的关系,以及确定子配置的定量标准。此外,不变量提供了一个“接近矩阵”,它产生一组唯一的权重,测量配置中对象的整体接近度。此外,我们表明,这些不变量,这是体积上定义的,涉及外部区域,可以通过积分公式计算的“骨架连接积分”定义的内部骨架结构的对象。
2017-06-01 cs.CV
Robust Face-Swap Detection Based on 3D Facial Shape Information
University of Chinese Academy of Sciences(中国科学院大学);Center for Research on Intelligent Perception and Computing, CASIA(中国科学院自动化研究所智能感知与计算研究中心)
恶意操纵的图像或视频-所谓的深度伪造-特别是面部交换图像和视频吸引了越来越多的恶意攻击者来诋毁一些关键人物。以往的基于像素级伪影的检测技术往往只关注一些不清晰的模式,而忽略了一些可用的语义线索。因此,这些方法表现出较弱的可解释性和鲁棒性。在本文中,我们提出了一种基于生物特征信息的方法,充分利用外观和形状特征的人脸交换检测的关键人物。我们的方法的关键方面是获得三维人脸形状和面部外观的不一致性,基于不一致性的线索提供了自然的解释所提出的人脸交换检测方法。实验结果表明,该方法在对各种清洗和跨域数据的鲁棒性方面具有优势,从而验证了该方法的有效性。
2021-04-28 cs.CV
Robustifying Generalizable Implicit Shape Networks with a Tunable Non-Parametric Model
Inria(法国国家信息与自动化研究所);Univ. Rennes(雷恩大学);CNRS(法国国家科学研究中心);IRISA(雷恩信息、信号与自动化研究所);M2S(运动、生长与控制研究所)
针对隐式形状重建前馈模型在测试时的泛化与欠拟合问题,提出结合网络数据先验与Nyström核岭回归先验的非参数机制,在再生核希尔伯特空间中实现自适应表达能力与鲁棒性权衡,并在合成与真实数据上取得优于基线及SOTA的改进。
2023-11-21 cs.AI cs.CV
Robust pose tracking with a joint model of appearance and shape
Brown University(布朗大学)
我们提出了一种新的方法,用于估计的二维姿态的铰接对象的应用程序自动视频分析的小实验室动物。我们已经发现,为人类开发的可变形部件模型,例如柔性混合部件(FMP)模型,通常在挑战动物姿势时失败。我们认为,除了编码外观和空间关系,形状是需要克服缺乏独特的地标实验室动物的身体。在我们的方法中,形状一致的FMP(scFMP)模型计算有前途的姿势候选人后,一个标准的FMP模型被用来快速丢弃错误的部分检测。这种“级联”方法结合了空间关系、外观和形状表示的相对优势,并显示出比原始FMP模型以及具有代表性的深度神经网络基线有显著改进。
2018-06-28 cs.CV
Implicit field supervision for robust non-rigid shape matching
École Polytechnique(巴黎综合理工学院);IP Paris(巴黎理工学院)
建立两个非刚性变形形状之间的对应关系是视觉计算中最基本的问题之一。现有的方法往往表现出较弱的弹性时,提出了与现实世界的数据,如噪声,离群值,自遮挡等挑战。另一方面,自动解码器已经表现出强大的表达能力,在学习几何有意义的潜在嵌入。然而,它们在\emph{shape analysis}中的使用受到限制。在本文中,我们介绍了一种基于自动解码器框架的方法,该方法在固定模板上学习连续的形状变形场。通过一种新的\emph{Signed Distance Regularisation}(SDR)来监控曲面上点的形变场和曲面外点的正则化,学习模板和形状\emph{volumes}之间的对齐。经过清洁防水网格、\emph{without}和任何数据增强的培训,我们在受损数据和真实世界扫描上展示了令人信服的性能。
2022-07-21 cs.CV
Learning Deep Implicit Functions for 3D Shapes with Dynamic Code Clouds
Tsinghua University(清华大学);JD Logistics(京东物流);Kuaishou Technology(快手科技);Wayne State University(韦恩州立大学)
深度隐式函数(Deep Implicit Function,DIF)作为一种高效的三维形状表示方法,已经得到了广泛的应用。为了捕获几何细节,当前的方法通常使用局部潜在代码来学习DIF,其将空间离散成规则的3D网格(或八叉树)并将局部代码存储在网格点(或八叉树节点)中。给定一个查询点,局部特征是通过插值其相邻的本地代码与他们的位置计算。然而,局部码被约束在离散和规则的位置,如网格点,这使得码的位置很难被优化,限制了它们的表示能力。为了解决这个问题,我们提出了使用动态代码云学习DIF,称为DCC-DIF。我们的方法显式地将本地代码与可学习的位置向量相关联,并且位置向量是连续的,可以动态优化,从而提高了表示能力。此外,我们提出了一种新的代码位置损失来优化代码位置,这将引导更多的本地代码分布在复杂的几何细节周围。与以前的方法相比,我们的DCC-DIF表示3D形状更有效地与少量的本地代码,并提高重建质量。实验表明,DCC-DIF实现了更好的性能比以前的方法。代码和数据可在https://github.com/lity20/DCCDIF上获得。
2022-03-30 cs.CV
ImageNet-trained CNNs are biased towards texture; increasing shape bias improves accuracy and robustness
University of Tübingen(蒂宾根大学);IMPRS-IS(国际马克斯·普朗克智能系统研究学院)
卷积神经网络(CNN)通常被认为通过学习对象形状的日益复杂的表示来识别对象。最近的一些研究表明,图像纹理的作用更为重要。我们在这里通过评估CNN和人类观察者对具有纹理形状线索冲突的图像进行定量测试。我们发现,ImageNet训练的CNN强烈倾向于识别纹理而不是形状,这与人类行为证据形成鲜明对比,并揭示了根本不同的分类策略。然后,我们证明了在ImageNet上学习基于纹理的表示的相同标准架构(ResNet-50)在“Stylized-ImageNet”(ImageNet的程式化版本)上训练时能够学习基于形状的表示。这在我们控制良好的心理物理学实验室环境中提供了更好的人类行为表现(9个实验共48,560次心理物理学试验,97名观察者),并带来了许多意想不到的好处,例如改进的目标检测性能和以前从未见过的对各种图像失真的鲁棒性,突出了基于形状的表示的优势。
2022-11-09 cs.AI cs.CV cs.LG
Promoting Shape Bias in CNNs: Frequency-Based and Contrastive Regularization for Corruption Robustness
USD AI Research Lab, University of South Dakota, Vermillion SD 57069, USA(USD人工智能研究实验室,南达科他大学,南达科他州韦尔米伦)
针对CNNs依赖纹理导致对常见损坏脆弱的问题,提出基于频率滤波和监督对比学习的两种正则化策略,在CIFAR-10-C上提升了损坏鲁棒性且不损失干净准确率。
2025-09-14 cs.AI cs.CV
A Two-Stage Shape Retrieval (TSR) Method with Global and Local Features
University of Southern California(南加州大学)
针对二维形状检索问题,提出了一种鲁棒的两阶段形状检索方法。大多数国家的最先进的形状检索方法是基于局部特征匹配和排名。他们的检索性能是不强大的,因为他们可能会检索全球不同的形状在高排名。为了克服这一挑战,我们将决策过程分解为两个阶段。在第一个不相关的聚类过滤(ICF)阶段,我们考虑全球和本地功能,并使用它们来预测画廊形状的相关性相对于查询。从候选形状集中移除不相关的形状。在此之后,在第二阶段,基于局部特征的匹配和排名(LMR)方法。我们建议的TSR系统应用到MPEG-7,Kimia 99和Tari 1000三个数据集,并表明它优于所有其他现有的方法。证明了TSR系统的鲁棒检索性能。
2016-05-03 cs.CV
Unsupervised Learning of Robust Spectral Shape Matching
University of Bonn(波恩大学)
提出一种完全无监督的深度函数映射方法,通过新损失耦合函数映射与逐点映射,无需后处理即可在九类数据集上鲁棒匹配非等距、部分及含噪形状。
2023-04-27 cs.AI cs.CV
Staying in Shape: Learning Invariant Shape Representations using Contrastive Learning
Stanford University(斯坦福大学)
创建对等距或几乎等距变换不变的形状表示一直是形状分析的一个感兴趣的领域,因为强制不变性允许学习更有效和鲁棒的形状表示。大多数现有的不变形状表示都是手工制作的,并且以前关于学习形状表示的工作并不关注产生不变表示。为了解决学习无监督不变形状表示的问题,我们使用对比学习,它通过学习对用户指定的数据增强的不变性来产生区分性表示。为了产生具体的等距和几乎等距不变的表示,我们提出了新的数据扩充,随机抽样这些transformations。实验结果表明,该方法在有效性和鲁棒性方面均优于以往的无监督学习方法。
2021-07-08 cs.CV
Clarifying Myths About the Relationship Between Shape Bias, Accuracy, and Robustness
Gina Cody School of Engineering, Concordia University(康考迪亚大学吉娜·科迪工程学院);Zetane Systems Inc.(泽坦系统公司)
本文通过评估39种数据增强方法,证明形状偏置增加并不必然提升OOD鲁棒性,并发现适当的数据增强可同时提高域内准确率与OOD鲁棒性。
2024-06-07 cs.CV
Robust 3D Tracking with Quality-Aware Shape Completion
Harbin Institute of Technology, Shenzhen(哈尔滨工业大学(深圳));Peng Cheng Laboratory(鹏城实验室);Shenyang Institute of Automation, Chinese Academy of Sciences(中国科学院沈阳自动化研究所)
针对点云稀疏不完整导致的3D单目标跟踪难题,提出带质量感知形状补全的体素化3D跟踪框架,结合关系建模与框细化模块,在三个基准上取得优于现有方法的性能。
2023-12-17 cs.CV
FvOR: Robust Joint Shape and Pose Optimization for Few-view Object Reconstruction
The University of Texas at Austin(德克萨斯大学奥斯汀分校);Apple(苹果公司)
在计算机视觉中,从少量的图像观测重建精确的三维物体模型仍然是一个具有挑战性的问题。最先进的方法通常假设准确的相机姿势作为输入,这在现实环境中可能难以获得。在本文中,我们提出了FvOR,这是一种基于学习的对象重建方法,它可以预测精确的3D模型,给出一些带有噪声输入姿势的图像。我们的方法的核心是一个快速和强大的多视图重建算法,共同完善三维几何和相机姿态估计使用可学习的神经网络模块。我们在ShapeNet上提供了针对此问题的最先进方法的全面基准。我们的方法实现了一流的结果。它也比最近的基于优化的方法IDR快两个数量级。我们的代码在\url{https://github.com/zhenpeiyang/FvOR/}上发布
2022-05-16 cs.CV
Dependent landmark drift: robust point set registration with a Gaussian mixture model and a statistical shape model
Kanazawa University(金泽大学)
点集配准的目标是找到点集之间的逐点对应关系,每个点集都表征对象的形状。由于假设对象几何的局部保持,因此该领域中的流行算法通常可以在不使用对象特定的几何信息的情况下优雅地解决问题。这意味着可以通过使用对象几何形状的先验知识来进一步提高配准性能。在本文中,我们提出了一种新的点集配准方法使用高斯混合模型与先验形状信息编码为统计形状模型。我们的变换模型被定义为相似变换,运动一致性,和统计形状模型的组合。因此,如果目标点集包括离群点和缺失区域,或者如果它被旋转,则所提出的方法有效地工作。计算成本可以降低到线性,因此该方法是可扩展的大型点集。该方法的有效性将通过与现有算法的比较,使用有关人体形状,手和脸的数据集进行验证。
2018-07-26 cs.AI cs.CV
Realtime Robust Shape Estimation of Deformable Linear Object
The Johns Hopkins University(约翰斯·霍普金斯大学);The Johns Hopkins University School of Medicine(约翰斯·霍普金斯大学医学院)
本文提出一种基于散乱无序关键点和概率标注算法的实时形状估计方法,通过分段样条插值重建可变形线性物体形状,并在仿真与重载线缆实验中验证其在遮挡和缠绕场景下的鲁棒性。
2024-03-24 cs.CV cs.RO
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
Topologically Robust 3D Shape Matching via Gradual Deflation and Inflation
Middle East Technical University(中东技术大学)
尽管在文献中被极大地忽视,但应对拓扑噪声是一个越来越重要的问题,特别是由于由不同质量的设备捕获或由不同稳定性的算法合成的3D多边形模型的数量和多样性不断增加。一种用于在拓扑噪声下匹配3D形状的方法是用对拓扑变化不太敏感的距离替换拓扑敏感的测地线距离。我们提出了一种替代方法,利用逐渐放气(或膨胀)的形状体积,其目的是使一对形状匹配到一个\emph{comparable}拓扑结构之前,搜索对应。使用不同数据集的说明性实验表明,随着拓扑噪声水平的增加,我们的方法优于文献中的其他方法。
2017-05-12 cs.CG cs.CV cs.GR
A Continuous and Interpretable Morphometric for Robust Quantification of Dynamic Biological Shapes
Dresden University of Technology, Faculty of Computer Science(德累斯顿技术大学计算机科学学院);Max Planck Institute of Molecular Cell Biology and Genetics(马克斯·普朗克分子细胞生物学与遗传学研究所);Center for Systems Biology Dresden(德累斯顿系统生物学中心);Center for Scalable Data Analytics and Artificial Intelligence (ScaDS.AI) Dresden/Leipzig(德累斯顿/莱比锡可扩展数据分析与人工智能中心(ScaDS.AI));Cluster of Excellence Physics of Life, Technische Universität Dresden, Germany(生命物理卓越集群,德累斯顿技术大学,德国);Ludwig-Maximilians-Universität München(慕尼黑路德维希-马克西米利安大学);Munich Center for Machine Learning (MCML)(慕尼黑机器学习中心(MCML))
本研究提出连续可解释的PF-SDM形态计量学方法,可编码生物形状的几何拓扑特性、支持时序动态与多模态融合,在合成数据基准和小鼠类原肠胚体轴预测任务中准确率与速度均超CNN基线。
2025-10-30 cs.CG cs.CV q-bio.QM