Curved Buildings Reconstruction from Airborne LiDAR Data by Matching and Deforming Geometric Primitives
University of Technology, Sydney（悉尼科技大学）；University of Calgary（卡尔加里大学）；Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences（中国科学院遥感与数字地球研究所）；University of Chinese Academy of Sciences（中国科学院大学）；College of Civil Engineering, Nanjing Forestry University（南京林业大学土木工程学院）
机载激光雷达（光探测和测距）数据广泛应用于建筑物重建，研究报告在典型建筑物中取得了成功。然而，曲面建筑物的重建仍然是一个开放的研究问题。为此，我们提出了一个新的框架，通过组装和变形几何图元的弯曲建筑重建。首先将输入的LiDAR点云转换为轮廓，在轮廓中识别各个建筑物。在识别建筑物轮廓的几何单元（基元）后，通过基本几何基元与这些基元的匹配得到初始模型。为了优化装配模型，我们采用了一个翘曲场来优化模型。具体而言，嵌入式变形（ED）图是通过下采样的初始模型。然后，点到模型的位移最小化通过调整节点参数的ED图的基础上，我们的目标函数。所提出的框架进行了验证，在几个高度弯曲的建筑物在不同的城市收集各种激光雷达。实验结果以及精度比较表明了该方法的优越性和有效性。{The新的见解归因于一种有效的重建方式。此外，我们证明了基于连续性的框架显着减少了数据存储的10- 20%的经典网格模型。
2020-03-22 cs.CV
Zero-shot point cloud segmentation by transferring geometric primitives
The University of Hong Kong（香港大学）；The Chinese University of Hong Kong（香港中文大学）；Inceptio（嬴彻科技）；ShanghaiTech University（上海科技大学）；Texas A&M University（德州农工大学）
本文提出学习跨类别共享几何基元并通过未知感知 InfoNCE 损失实现语言与点云特征细粒度对齐，从而提升直推式零样本点云语义分割性能。
2023-09-29 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
Quadratic Gaussian Splatting: High Quality Surface Reconstruction with Second-order Geometric Primitives
CASIA（中国科学院自动化研究所）；UCAS（中国科学院大学）；The University of Hong Kong（香港大学）；SenseTime Research（商汤科技研究院）
本文提出二次高斯泼溅（QGS），用可变形二次曲面和测地距离密度建模实现表面感知泼溅，在DTU等数据集上将几何误差较2DGS降低33%，兼顾重建精度与渲染外观质量。
2025-08-18 cs.CV
Superquadric Primitive Decomposition of 3D point clouds via Geometric-Aware Inlier Refinement
University of Milano-Bicocca（米兰比可卡大学）；Politecnico di Milano（米兰理工大学）；University of Bonn（波恩大学）；Pegaso University（佩加索大学）
提出一种几何感知的基元分解框架，通过图割优化的内点精化步骤整合法线一致性等几何先验，提升超二次曲面分解的精度与鲁棒性，在合成和真实数据上优于基于RANSAC的方法。
2026-09-29 cs.CV
Historical Astronomical Diagrams Decomposition in Geometric Primitives
LIGM, Ecole des Ponts, Univ Gustave Eiffel, CNRS（LIGM、巴黎路桥学院、古斯塔夫·埃菲尔大学、法国国家科学研究中心）；SYRTE, Observatoire de Paris-PSL, CNRS（SYRTE、巴黎天文台-PSL、法国国家科学研究中心）
针对历史天文图表复杂多样、现有矢量化方法不适配的问题，提出包含303张图表、3000余个标注基元的数据集，并基于DINO-DETR构建可仅用合成数据训练的多几何基元预测模型，显著优于LETR基线。
2024-03-13 cs.CV
PriFit: Learning to Fit Primitives Improves Few Shot Point Cloud Segmentation
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）；Adobe（奥多比）；University of Cyprus（塞浦路斯大学）
我们提出了PriFit，这是一种用于3D点云分割网络的标签有效学习的半监督方法。PriFit将几何图元拟合与基于点的表示学习相结合。它的核心思想是学习点表示，其聚类揭示了可以很好地近似基本几何图元（如长方体和椭圆体）的形状区域。然后，学习的点表示可以在现有网络架构中重新用于3D点云分割，并提高其在Few-Shot设置中的性能。根据我们对广泛使用的ShapeNet和PartNet基准测试的实验，PriFit在这种情况下优于几种最先进的方法，这表明可分解为原语是学习预测语义部分的表示的有用先验。我们提出了一些烧蚀实验不同的几何图元和下游任务的选择，以证明该方法的有效性。
2022-06-23 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
Recognising geometric primitives in 3D point clouds of mechanical CAD objects
Istituto di Matematica Applicata e Tecnologie Informatiche “E. Magenes”, Consiglio Nazionale delle Ricerche（意大利国家研究委员会“E. Magenes”应用数学与信息技术研究所）
本文提出一种基于Hough变换的方法，用于在含噪声、离群点和缺失部分的机械CAD点云中识别简单与复杂几何基元，并通过几何描述符聚合减少过分割，实验表明其具有较强鲁棒性和竞争力。
2023-01-11 cs.CV cs.GR
On the Geometric Accuracy of Implicit and Primitive-based Representations Derived from View Rendering Constraints
KU Leuven, Dept. Electrical Engineering, Research unit Processing Speech and Images（KU莱顿，电气工程系，语音与图像研究单位）；UCLouvain, ICTEAM, Dept. Electrical Engineering（UCLouvain，ICTEAM，电气工程系）；KU Leuven, Dept. Mechanical Engineering, Research unit Robotics, Automation and Mechatronics（KU莱顿，机械工程系，机器人、自动化与机电研究单位）
本研究首次系统比较了空间3D重建中隐式与显式Novel View Synthesis方法，发现外观嵌入虽提升光度保真度但未改善几何精度，且Convex Splatting比Gaussian Splatting更紧凑，适用于安全关键应用。
2025-09-15 cs.CV
Unified Representation of Geometric Primitives for Graph-SLAM Optimization Using Decomposed Quadrics
Carnegie Mellon University（卡内基梅隆大学）
在同时定位与地图构建（SLAM）问题中，与传统的基于点的地标相比，高级地标具有构建紧凑且信息丰富的地图的潜力。在这项工作中，我们专注于经常使用的几何图元，包括点，线，平面，椭圆，圆柱和圆锥的参数化。我们首先提出了一个统一的表示基于二次曲面，导致一致和简洁的配方。然后我们进一步研究了二次曲面的分解模型，该模型揭示了基元的对称和退化性质。基于分解，我们开发了几何意义的二次曲面因子的设置图SLAM问题。仿真实验表明，该方法比基线参数化方法具有更好的效率和鲁棒性。最后，在真实世界的实验中，所提出的后端框架被证明能够构建紧凑和正则化的地图。
2021-09-14 cs.CV cs.RO
PASG: A Closed-Loop Framework for Automated Geometric Primitive Extraction and Semantic Anchoring in Robotic Manipulation
MoE key Lab of Artificial Intelligence, AI Institute, Shanghai Jiao Tong University（人工智能教育部重点实验室、人工智能研究院、上海交通大学）
针对机器人操作中高层语义与低层几何特征割裂的问题，提出闭环框架PASG，通过自动提取几何基元并结合VLM驱动的语义锚定，实现了细粒度的语义-可供性理解，性能媲美人工标注。
2025-08-08 cs.CV cs.RO
QuadricsNet: Learning Concise Representation for Geometric Primitives in Point Clouds
Wuhan University（武汉大学）
本文提出QuadricsNet，首个端到端学习框架，用10参数二次曲面统一表示点云中的多样化几何基元，并通过融合数学公式与几何属性监督及构建新数据集，验证了表示的简洁性和鲁棒性。
2023-09-25 cs.CV cs.RO
VGOcc: Learning Visual-Geometric Gaussians for Vision-Centric 3D Driving Occupancy Prediction
研究仅视觉3D驾驶占用预测问题，提出VGOcc方法，通过从基础模型学习视觉和几何线索，纳入高斯建模的初始化与细化，实现高效语义占用预测，在nuScenes实验中达最优性能。
2026-07-21 cs.CV
PrimitiveAnything: Human-Crafted 3D Primitive Assembly Generation with Auto-Regressive Transformer
Tencent AIPD（腾讯人工智能实验室）；Tsinghua University（清华大学）
本文提出PrimitiveAnything框架，将3D形状基元抽象转化为基元装配生成任务，利用自回归Transformer从大规模人工数据中学习人类分解方式，实现跨类别的高质量基元装配生成。
2025-05-07 cs.CV cs.GR
Marching-Primitives: Shape Abstraction from Signed Distance Function
National University of Singapore（新加坡国立大学）；Johns Hopkins University（约翰斯·霍普金斯大学）
本文提出 Marching-Primitives，通过在 SDF 不同距离层级分析体素连通性并迭代拟合超二次曲面等基元，实现直接、可跨类别与尺度泛化的高精度形状抽象。
2023-06-06 cs.CV
Fit4CAD: A point cloud benchmark for fitting simple geometric primitives in CAD objects
Istituto di Matematica Applicata e Tecnologie Informatiche “E. Magenes”, Consiglio Nazionale delle Ricerche（意大利国家研究委员会“E. Magenes”应用数学与信息技术研究所）；University of Oslo（奥斯陆大学）；ENS Paris-Saclay, Université Paris-Saclay（巴黎萨克雷大学巴黎萨克雷高等师范学院）
本文提出Fit4CAD基准，包含225个CAD对象采样点云，定义多种评估指标，用于比较几何基元拟合方法，并验证了聚类与参数化两类方法的性能。
2021-10-05 cs.CV cs.GR
Primitive-based Shape Abstraction via Nonparametric Bayesian Inference
National University of Singapore（新加坡国立大学）；Johns Hopkins University（约翰斯·霍普金斯大学）
3D形状抽象多年来引起了极大的兴趣。除了低层次的表示，如网格和体素，研究人员还寻求语义抽象复杂的对象与基本的几何图元。最近的深度学习方法严重依赖于数据集，对看不见的类别具有有限的通用性。此外，准确地抽象出一个对象，但与少量的原语仍然是一个挑战。在本文中，我们提出了一种新的非参数贝叶斯统计方法来推断抽象，由未知数量的几何图元，从点云。我们模拟点的生成，作为从高斯超二次锥模型（GSTM）的无限混合采样的观察。我们的方法制定了一个聚类问题的抽象，其中：1）每个点被分配到一个集群通过中国餐馆过程（CRP）; 2）一个原始的表示是优化每个集群，和3）合并后的过程被纳入提供一个简洁的表示。我们在两个数据集上进行了大量的实验。结果表明，我们的方法优于国家的最先进的准确性，并推广到各种类型的对象。
2022-07-19 cs.CV
Fitting and recognition of geometric primitives in segmented 3D point clouds using a localized voting procedure
Istituto di Matematica Applicata e Tecnologie Informatiche “E. Magenes”, Consiglio Nazionale delle Ricerche（意大利国家研究委员会应用数学与信息技术研究所“E.马格内斯”分所）
本文提出一种基于霍夫变换和局部化投票的分割点云几何基元识别方法，通过初始参数估计在降维空间中高效搜索，并利用几何描述符聚合片段，在合成与工业数据上验证了拟合鲁棒性和关系推断能力。
2022-07-07 cs.CG cs.CV cs.NA
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
FLAT: Feedforward Latent Triangle Splatting for Geometrically Accurate Scene Generation
Google Research（谷歌研究院）；University of Oxford, Visual Geometry Group（牛津大学视觉几何组）；TU Munich（慕尼黑工业大学）
提出FLAT方法，首次从视频扩散潜在表示中直接解码三角形泼溅，通过射线中心旋转参数化和乘积窗口函数解决梯度流问题，在保持视觉质量的同时显著提升几何精度。
2026-06-24 cs.CV
Z-FLoc: Zero-Shot Floorplan Localization via Geometric Primitives
ETH Zurich（苏黎世联邦理工学院）；Tohoku University（东北大学）
提出一种零样本楼层平面定位方法，通过从单目3D重建的鸟瞰图中提取直线和圆等几何基元，并与楼层平面进行鲁棒匹配，无需重新训练即可泛化到新环境。
2026-06-03 cs.CV cs.RO
Learning Shape Abstractions by Assembling Volumetric Primitives
University of California, Berkeley（加州大学伯克利分校）；Stanford University（斯坦福大学）
我们提出了一个学习框架，抽象复杂的形状，学习组装使用三维体积图元的对象。除了生成简单和几何可解释的3D对象的解释，我们的框架还允许我们自动发现和利用数据中的一致结构。我们证明，使用我们的方法可以预测形状表示，可以利用形状集合的实例获得一致的解析，并构建一个可解释的形状相似性度量。我们还研究了基于图像的预测以及形状操纵的应用。
2018-08-02 cs.CV
From Pixels to Primitives: Scene Change Detection in 3D Gaussian Splatting
QUT Centre for Robotics（昆士兰大学机器人中心）；ARIAM；ACFR, University of Sydney（悉尼大学先进计算机研究学院）
本文提出GD-DIFF方法，通过直接操作原语空间进行场景变化检测，实现多视角一致性及区分几何与外观变化，优于现有方法17%的mIoU。
2026-05-11 cs.CV
Robust Surgical Tool Tracking with Pixel-based Probabilities for Projected Geometric Primitives
College of Physicians and Surgeons, Columbia University（哥伦比亚大学内科医生与外科医生学院）；University of California San Diego（加利福尼亚大学圣迭戈分校）
针对机器人与相机坐标系变换误差导致的机械臂定位不准问题，提出结合图像插入轴检测与概率模型的手术器械参数估计方法，在两类环境中验证了有效性。
2024-03-08 cs.CV cs.RO
Real-time 3D scene description using Spheres, Cones and Cylinders
Temple University（天普大学）
本文描述了一种新的实时的【形】从三维距离数据中寻找三维几何图元（圆柱体、圆锥体和球体）的算法。在其核心中，它对添加到模型中的每个新数据点执行快速模型拟合，并在恒定时间（O（1））内进行模型更新。我们使用三个阶段的方法。第一步检查1.5D子空间，找到椭圆。下一阶段使用这些椭圆作为输入，通过检查它们的邻域结构来形成3D几何图元的候选集合。最后，将候选椭圆拟合到几何图元。点处理的复杂度是O（n）;需要额外的低阶时间来处理数量少得多的中级对象。这允许该方法在Kinect深度数据上每秒处理30帧，这表明该方法作为机器人中3D实时的【形】更高级别任务的预处理步骤，如跟踪或基于特征的映射。
2016-03-12 cs.CV
UltraCUA: A Foundation Model for Computer Use Agents with Hybrid Action
Apple（苹果公司）；The University of Hong Kong（香港大学）
提出UltraCUA基础模型，通过混合动作（融合原始GUI操作与高级工具执行）克服计算机使用智能体仅依赖原始GUI动作的局限性，采用自动化管道、合成数据引擎、混合动作轨迹收集和两阶段训练方法，在OSWorld和WindowsAgentArena上分别实现22%的相对性能提升和21.7%的成功率。
2026-05-26 cs.CL cs.CV
Geometric primitive feature extraction - concepts, algorithms, and applications
Nanyang Technological University（南洋理工大学）
本论文提出了重要的见解和概念相关的主题提取几何图元的边缘轮廓的数字图像。研究了与这一主题有关的三个具体问题，即，数字曲线的多边形逼近、数字曲线的切线估计、数字曲线的椭圆拟合与检测。对于多边形逼近问题，已经解决了两个基本问题。首先，研究了与局部和全局拟合特性有关的性能评估度量的性质。第二，一个明确的误差界的误差引入数字化连续线段已被推导出来，并用于提出一个通用的非启发式参数独立的框架，可以用于几个优势点检测方法。针对数字曲线的切线估计问题，提出了一种简单的切线估计方法。结果表明，该方法对二次曲线数字曲线具有一定的误差上界。它已被证明，该方法优于几乎所有（七十二）现有的切线估计方法，圆锥曲线以及几个非圆锥数字曲线。针对数字曲线上的椭圆拟合问题，提出了一种几何距离最小化模型。一个无约束的，线性的，非迭代的，数值稳定的椭圆拟合方法已被提出，它已被证明，所提出的方法具有更好的选择性椭圆数字曲线（高真阳性和低假阳性）相比，其他几个椭圆拟合方法。针对数字曲线中椭圆的检测问题，提出了几种适用于数字曲线的创新的快速预处理、分组和假设评估概念，并将其结合起来，形成了一种椭圆检测方法。
2013-05-16 cs.CG cs.CV
Vectorizing World Buildings: Planar Graph Reconstruction by Primitive Detection and Relationship Inference
Simon Fraser University（西蒙菲莎大学）
本文解决了一个二维建筑矢量化问题，其任务是推断一个室外建筑结构作为一个二维平面图从一个单一的RGB图像。我们为亚特兰大、巴黎和拉斯维加斯等城市的2，001座复杂建筑物提供了一个新的基准。我们还提出了一种新的算法，利用1）卷积神经网络（CNN），检测几何图元和推断它们的关系和2）的整数规划（IP），组装成一个二维平面图的信息。尽管对人类视觉来说是一项微不足道的任务，但具有任意拓扑结构的图结构的推理仍然是计算机视觉的一个公开问题。定性和定量的评估表明，我们的算法比目前的最先进的，对人类感知水平的智能系统作出了显着的改进。我们将共享代码和数据。
2020-03-14 cs.CV
3D Primitives are a Spatial Language for VLMs
Unity Technologies
本文提出通过3D基元作为中间表示来提升视觉语言模型的空间理解能力，通过SpatialBabel基准、Code-CoT推理策略和S³-FT自监督微调三种贡献，展示了基元在空间任务中的有效性。
2026-05-12 cs.AI cs.CV cs.DB
PrimiTect: Fast Continuous Hough Voting for Primitive Detection
TU Munich（慕尼黑工业大学）
本文处理的问题，数据抽象的背景下，三维点集。我们的方法分类点到不同的几何图元，如平面和圆锥体，导致一个紧凑的数据表示。该方法基于一种半全局Hough投票方案，不需要初始化，具有鲁棒性、准确性和高效性。我们使用一个本地的，低维的参数化的图元，以确定类型，形状和姿态的对象，一个点属于。这使得我们的算法适合在低计算能力的设备上运行，这是机器人应用中经常需要的。评估表明，我们的方法优于国家的最先进的方法，无论是在准确性和鲁棒性。
2020-05-15 cs.CV cs.RO
Physical Primitive Decomposition
Massachusetts Institute of Technology（麻省理工学院）；Google Research（谷歌研究院）
对象是由部件组成的，每个部件都有不同的几何形状、物理特性、功能和启示。开发这种分布式的、物理的、可解释的对象表示将有助于智能代理更好地探索世界并与世界互动。在本文中，我们研究了物理基元分解-通过其组件来理解对象，每个组件都具有物理和几何属性。由于对象部件和物理的注释数据很少，我们提出了一种新的配方，通过解释对象的外观和物理事件中的行为来学习物理原语。我们的模型在合成和真实场景中的积木塔和工具上表现良好;我们还证明了视觉和物理观测通常提供互补信号。我们进一步提出了消融和行为研究，以更好地理解我们的模型，并将其与人类的表现进行对比。
2018-09-13 cs.AI cs.CV
On Support Relations Inference and Scene Hierarchy Graph Construction from Point Cloud in Clustered Environments
Fudan University（复旦大学）
针对3D场景理解中基于RGB方法忽略空间几何与拓扑信息的问题，提出一种自下而上的点云支撑关系推断与场景层级图构建方法，在基元分类和支撑关系推断上表现优异且具高可扩展性。
2024-04-22 cs.CG cs.CV
HVH: Learning a Hybrid Neural Volumetric Representation for Dynamic Hair Performance Capture
Carnegie Mellon University（卡内基梅隆大学）；Reality Labs Research（现实实验室研究院）；Meta AI
由于头发具有精细的几何结构、复杂的物理交互和非平凡的视觉外观，因此捕捉和渲染逼真的头发尤其具有挑战性。然而，头发是可信化身的关键组成部分。在本文中，我们解决了上述问题：1）我们使用了一种新的，体积的头发表示，是由数千个图元。每一个基本元素都可以通过建立在神经渲染的最新进展上来高效而逼真地渲染。2)为了有一个可靠的控制信号，我们提出了一种新的方法来跟踪头发的水平。为了使计算工作易于管理，我们使用引导头发和经典技术将其扩展为浓密的头发。3)为了更好地加强我们的模型的时间一致性和泛化能力，我们进一步优化我们的表示与多视图光流的三维场景流，使用体积光线推进。我们的方法不仅可以创建记录的多视图序列的逼真渲染，但也创建渲染新的头发配置通过提供新的控制信号。我们比较我们的方法与现有的工作视点合成和可驱动的动画，并达到国家的最先进的结果。请访问我们的项目网站https://ziyanw1.github.io/hvh/。
2021-12-19 cs.CV cs.GR
ComplexGen: CAD Reconstruction by B-Rep Chain Complex Generation
Tsinghua University（清华大学）；Microsoft Research Asia（微软亚洲研究院）；University of Science and Technology of China（中国科学技术大学）
我们认为，在边界表示（B-Rep）的CAD模型的重建作为不同的顺序，即顶点，边缘和表面补丁，和图元的对应关系，这是整体建模为一个链复杂的几何图元的检测，并表明，通过建模这样的综合结构更完整和正则化的重建可以实现。我们分两步解决复杂的生成问题。首先，我们提出了一种新的神经框架，由一个稀疏的CNN编码器的输入点云处理和三路径Transformer解码器生成几何图元和它们的相互关系与估计的概率。其次，给定的概率结构预测的神经网络，我们恢复一个明确的B-Rep链复杂的解决方案的全局优化最大化的可能性下的结构有效性的约束和应用几何细化。在大规模CAD数据集上的大量测试表明，B-Rep链复杂结构的建模能够更准确地检测学习和更受约束的重建优化，导致结构上更忠实和完整的CAD B-Rep模型比以前的结果。
2022-05-29 cs.AI cs.CV cs.GR
Combinatorial 3D Shape Generation via Sequential Assembly
POSTECH（浦项科技大学）；POSCO（浦项制铁公司）
具有几何基元的顺序装配已经引起了机器人和3D视觉的关注，因为它产生了一个实用的蓝图来构建目标形状。然而，由于其组合属性，贪婪方法无法生成体积基元序列。为了减轻这一后果所引起的大量的可行的组合，我们提出了一个组合的3D形状生成框架。该框架反映了现实生活中人类生成过程的一个重要方面-我们通常通过顺序组装具有几何约束的单元图元来创建3D形状。为了找到所需的组合，关于组合评估，我们采用贝叶斯优化，这是能够有效地利用和探索的可行区域的约束下，目前的原始位置。评价函数同时传达装配过程的全局结构指导和重力和外力方面的稳定性。实验结果表明，我们的方法成功地产生组合的3D形状和模拟更真实的生成过程。我们还介绍了一个新的数据集组合的3D形状生成。所有代码均可从\url{https://github.com/POSTECH-CVLab/Combinatorial-3D-Shape-Generation}获得。
2020-11-25 cs.CV cs.GR cs.LG
