HiMoR: Monocular Deformable Gaussian Reconstruction with Hierarchical Motion Representation
Waseda University(早稻田大学);Preferred Networks, Inc.(Preferred Networks公司)
HiMoR 提出基于树结构的层次运动表示,用浅层节点建模粗粒度运动、深层节点捕捉精细运动,并结合共享运动基实现结构化形变,从而提升单目动态三维重建与新视角合成质量。
2025-04-08 cs.CV
Hierarchical Surface Prediction for 3D Object Reconstruction
University of California, Berkeley(加州大学伯克利分校)
最近,卷积神经网络在三维几何预测方面显示出了良好的效果。它们可以从非常少的输入数据(如单色图像)进行预测。这种方法的一个主要限制是,它们只能预测一个粗略的分辨率体素网格,这并不能很好地捕捉物体的表面。我们提出了一个通用的框架,称为层次表面预测(HSP),这有利于预测高分辨率体素网格。主要的见解是,它是足够的预测周围的预测表面的高分辨率体素。对象的外部和内部可以用粗分辨率体素表示。我们的方法不依赖于特定的输入类型。我们展示了彩色图像、深度图像的几何预测结果以及部分体素网格的形状完成结果。我们的分析表明,我们的高分辨率预测比低分辨率预测更准确。
2017-11-06 cs.CV
NeuDA: Neural Deformable Anchor for High-Fidelity Implicit Surface Reconstruction
Alibaba Group(阿里巴巴集团)
本文研究了利用可微光线投射的隐式曲面重建。以前的工作,如IDR和NeuS忽略了在3D空间中的空间上下文时,预测和渲染的表面,从而可能无法捕捉尖锐的局部拓扑结构,如小孔和结构。为了减轻这种限制,我们提出了一种灵活的神经隐式表示,利用分层体素网格,即神经变形锚(NeuDA),用于高保真表面重建。NeuDA维护分层锚网格,其中每个顶点存储3D位置(或锚),而不是直接嵌入(或特征)。我们优化锚网格,使不同的局部几何结构可以自适应编码。此外,我们深入研究了频率编码策略,并引入了一种简单的分层位置编码方法的层次锚结构,灵活地利用高频和低频的几何和外观的属性。在DTU和BlendedMVS数据集上的实验表明,NeuDA可以产生有前途的网格表面。
2023-03-26 cs.CV
Bridging Brain and Semantics: A Hierarchical Framework for Semantically Enhanced fMRI-to-Video Reconstruction
Fudan University(复旦大学);Alibaba Group(阿里巴巴集团);Ant Group(蚂蚁集团)
本文提出CineNeuron框架,通过分层结构解决fMRI信号与视频内容间的语义鸿沟问题,结合底部向上语义丰富和顶部向下记忆整合,提升视频重建效果。
2026-05-14 cs.CV
HiFi-MambaV2: Hierarchical Shared-Routed MoE for High-Fidelity MRI Reconstruction
HiFi-MambaV2通过分层共享路由MoE和频率一致拉普拉斯金字塔,实现高保真MRI重建,优于多种基线模型。
2025-11-23 cs.CV
Feed-Forward Hierarchical Gaussian Diffusion for Extreme CT Reconstruction
University of Alberta(阿尔伯塔大学);University of Sydney(悉尼大学)
针对极端CT重建的不适定问题,提出HiGDiff前馈分层高斯扩散框架,通过结构与细节两阶段扩散实现最先进性能,在LDCT-PD数据集上PSNR提升5.81dB、SSIM提升0.113。
2026-08-18 cs.CV
HiSplat: Hierarchical 3D Gaussian Splatting for Generalizable Sparse-View Reconstruction
Fudan University(复旦大学);Shanghai AI Laboratory(上海人工智能实验室);Zhejiang University(浙江大学)
针对现有泛化单尺度3D高斯泼溅方法重建时易出现位置偏差与伪影的问题,本文提出HiSplat分层框架,通过由粗到精生成多尺度高斯并设计跨尺度交互模块,仅用双视角输入即可提升重建质量与跨数据集泛化能力。
2024-10-08 cs.CV
A Dual-Stream Regulated Reconstruction and Segmentation Network with Hierarchical Artifact-Prior Modeling for Ultra-Low-Field Pediatric Neuroimaging
Weill Cornell Medicine(威尔康奈尔医学院)
针对超低场儿科MRI的低信噪比和伪影问题,提出双流调控重建与分割网络,结合层级伪影先验建模,在统一推理中完成质量评估、增强和分割,并通过配准缓解标注稀缺。
2026-09-18 cs.CV
Hierarchical MLANet: Multi-level Attention for 3D Face Reconstruction From Single Images
The Hong Kong Polytechnic University(香港理工大学);The University of Manchester(曼彻斯特大学)
本文提出 Hierarchical MLANet,通过分层骨干与多层级注意力从单张自然图像预测三维人脸参数,并以半监督端到端方式训练,在两个基准上验证其重建与对齐效果。
2025-09-28 cs.CV
Hierarchical Interactive Reconstruction Network For Video Compressive Sensing
Harbin Institute of Technology(哈尔滨工业大学);People's Daily Online(人民网);ChongQing Research Institute of HIT(哈尔滨工业大学重庆研究院)
本文提出HIT-VCSNet,通过空间域分层特征提取和时间域分层交互机制协同利用时空深度先验,显著提升视频压缩感知重建质量,性能大幅超越现有最先进方法。
2023-04-15 cs.CV eess.IV
HiSfM: Disambiguating Structure-from-Motion via Scaffold-Anchored Hierarchical Reconstruction
Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所);School of Artificial Intelligence, University of Chinese Academy of Sciences(中国科学院大学人工智能学院)
本文提出HiSfM分层SfM框架,通过锚定支架的分层重建消除视觉歧义,在减少运行时间的同时提升重建完整性,解决传统SfM在重复对称结构下失效及计算成本高的问题。
2026-09-15 cs.CV
RealLiFe: Real-Time Light Field Reconstruction via Hierarchical Sparse Gradient Descent
Dept. of Electrical Engineering, Tsinghua University, Beijing, China(电子工程系,清华大学,北京,中国);Tsinghua Shenzhen International Graduate School(清华大学深圳国际研究生院);Huawei Technologies(华为技术)
针对稀疏视图输入的实时光场重建需求,提出基于分层稀疏梯度下降的RealLiFe方法,借助MPI稀疏流形特性实现高质量实时重建,速度远超离线方法且性能优于现有在线方法。
2026-09-15 cs.CV
PlaneFormers: From Sparse View Planes to 3D Reconstruction
University of Michigan(密歇根大学)
我们提出了一种方法的平面表面重建的一个场景,从图像与有限的重叠。这个重建任务是具有挑战性的,因为它需要联合推理单个图像3D重建,图像之间的对应关系,以及图像之间的相对相机姿态。过去的工作提出了基于优化的方法。我们介绍了一种更简单的方法PlaneFormer,它使用应用于3D感知平面令牌的Transformer来执行3D推理。我们的实验表明,我们的方法比以前的工作更有效,并且几个3D特定的设计决策对其成功至关重要。
2022-08-08 cs.CV
HSCS: Hierarchical Sparsity Based Co-saliency Detection for RGBD Images
Tianjin University(天津大学);Inception Institute of Artificial Intelligence(Inception人工智能研究院);University of Chinese Academy of Sciences(中国科学院大学);Institute of Information Engineering, Chinese Academy of Sciences(中国科学院信息工程研究所);Santa Clara University(圣克拉拉大学)
共显著性检测的目的是在包含两个以上相关图像的图像组中发现共同的和显著的对象。此外,深度信息已被证明对许多计算机视觉任务是有效的。提出了一种基于层次稀疏重构和能量函数细化的RGBD图像共显著性检测方法。在帧内显著图的帮助下,图像间的对应关系被公式化为一个分层稀疏重构框架。全局稀疏重建模型通过一个共同的前景字典来捕捉整个图像组中的全局特征。两两稀疏重建模型旨在通过一组两两字典来探索两两图像之间的对应关系。为了提高图像内的平滑性和图像间的一致性,提出了一种包含一元数据项、空间平滑项和整体一致性项的能量函数细化模型。在两个RGBD共显著性检测基准上的实验表明,该方法在定性和定量上都优于现有的算法。
2018-11-16 cs.CV
Is Hierarchical Quantization Essential for Optimal Reconstruction?
Institute for Neural Computation (INI), Faculty of Computer Science, Ruhr University Bochum, Germany(神经计算研究所(INI),计算机科学学院,博德姆鲁尔大学)
本文通过比较双层VQ-VAE和匹配容量的单层模型,探讨单层VQ-VAE在抑制代码书崩溃后能否达到层次结构模型的重建保真度。
2026-03-19 cs.CV cs.LG
HRDoc: Dataset and Baseline Method Toward Hierarchical Reconstruction of Document Structures
University of Science and Technology of China(中国科学技术大学);iFLYTEK Research(科大讯飞研究院)
文档结构重构问题是指将数字文档或扫描文档转换成相应的语义结构。现有的工作主要集中在单个文档页面中各个元素的边界分割,而忽略了多页面文档中语义结构的重构。本文介绍了一种新的任务,适合自然语言处理和CV领域的文档结构的层次重建。为了更好地评估系统在新任务上的性能,我们构建了一个名为HRDoc的大规模数据集,该数据集由2,500个多页文档组成,具有近200万个语义单元。HRDoc中的每个文档都有行级注释,包括从基于规则的提取器和人工注释器获得的类别和关系。此外,我们提出了一个基于编码器-解码器的分层文档结构解析系统(DSPS)来解决这个问题。通过采用多模态双向编码器和具有软掩模操作的结构感知GRU解码器,DSPS模型大大超过基线方法。所有脚本和数据集将在https://github.com/jfma-USTC/HRDoc上公开提供。
2023-03-24 cs.CL cs.CV
Hierarchical Residual Learning Based Vector Quantized Variational Autoencoder for Image Reconstruction and Generation
Monash University(莫纳什大学);KTH Royal Institute of Technology(KTH皇家理工学院)
我们提出了一种多层变分自编码器方法,我们称之为HR-VQVAE,它学习数据的分层离散表示。通过利用一种新的目标函数,在HR-VQVAE中的每一层通过矢量量化编码器从先前的层学习残差的离散表示。此外,每一层的表示都与前一层的表示分层链接。我们评估我们的方法的图像重建和生成的任务。实验结果表明,HR-VQVAE学习的离散表示使解码器能够重建高质量的图像,失真比基线方法,即VQVAE和VQVAE-2。HR-VQVAE还可以生成高质量和多样化的图像,这些图像的性能优于最先进的生成模型,从而进一步验证了学习表示的效率。HR-VQVAE的分层性质i)减少了解码搜索时间,使得该方法特别适用于高负载任务,以及ii)允许增加码本大小而不会引起码本崩溃问题。
2022-08-09 cs.CV cs.LG
DynaSplat: Dynamic-Static Gaussian Splatting with Hierarchical Motion Decomposition for Scene Reconstruction
Communication University of China(中国通信大学);Beihang University(北京航空航天大学)
针对动态场景重建难题,提出融合动静态分离、分层运动建模与物理不透明度估计的DynaSplat方法,在准确性和真实感上超越现有最优方案,提供更高效的动态场景重建路径。
2025-06-11 cs.AI cs.CV
Generative Video Compression Based on Hierarchical Referencing
Alibaba Group(阿里巴巴集团)
本文提出基于分层参考的生成式视频压缩方法GVCHR,通过分层结构优化潜在编码与生成重建,在多个基准数据集上较现有最优方法实现LPIPS和DISTS指标下50.5%、54.0%的BD-rate增益,视觉质量显著提升。
2026-08-13 cs.CV
Fast Regularity-Constrained Plane Reconstruction
Jimei University(集美大学);Xiamen University(厦门大学)
人造环境通常包括呈现出许多几何关系(诸如平行性、共面性和正交性)的平面结构。充分利用这些关系可以大大提高复杂场景平面重建算法的鲁棒性。这项研究利用一个约束模型,需要最少的先验知识,隐含地建立飞机之间的关系。我们引入了一种基于能量最小化的方法来重建与我们的约束模型一致的平面。该算法是有效的,易于理解,实现简单。实验结果表明,我们的算法成功地重建飞机在高百分比的噪音和离群值。这是优于其他国家的最先进的规则约束的平面重建方法的速度和鲁棒性。
2019-05-20 cs.CV
PlaneRCNN: 3D Plane Detection and Reconstruction from a Single Image
NVIDIA(英伟达);Washington University in St. Louis(圣路易斯华盛顿大学);SenseTime(商汤科技);Simon Fraser University(西蒙弗雷泽大学)
本文提出了一种深度神经架构PlaneRCNN,它可以从单个RGB图像中检测和重建分段平面表面。PlaneRCNN使用Mask R-CNN的变体来检测具有平面参数和分割掩码的平面。然后,PlaneRCNN联合细化所有的分割掩码,并在训练过程中使用新的损失来执行与附近视图的一致性。该论文还提出了一个新的基准,在地面实况中具有更细粒度的平面分割,其中PlaneRCNN优于现有的最先进的方法,在平面检测,分割和重建指标中具有显著的余量。PlaneRCNN朝着强大的平面提取迈出了重要的一步,这将对包括机器人技术,增强现实和虚拟现实在内的广泛应用产生直接影响。
2019-01-08 cs.CV
HUG: Hierarchical Urban Gaussian Splatting with Block-Based Reconstruction for Large-Scale Aerial Scenes
Peking University(北京大学);Beihang University(北航)
针对3DGS在大规模航空城市场景中内存消耗大、训练慢和渲染质量下降的问题,提出HUG方法,利用分层神经高斯表示,结合基于可见性的高效数据划分与分层加权训练策略,显著提升了重建质量与速度,在多个数据集上达到SOTA。
2025-06-26 cs.CV cs.GR
PlaneMVS: 3D Plane Reconstruction from Multi-View Stereo
The Pennsylvania State University(宾夕法尼亚州立大学);OPPO US Research Center(OPPO美国研究中心);InnoPeak Technology, Inc.(InnoPeak科技公司)
PlaneMVS首次在端到端MVS框架中结合语义平面检测与倾斜平面扫描,利用多视角几何和软池化损失学习平面先验,显著超越单视图及MVS平面重建方法。
2024-06-06 cs.CV
L2G Auto-encoder: Understanding Point Clouds by Local-to-Global Reconstruction with Hierarchical Self-Attention
Tsinghua University(清华大学);Beijing National Research Center for Information Science and Technology (BNRist)(北京信息科学与技术国家研究中心);University of Maryland(马里兰大学)
自动编码器是自重构点云数据编码和解码过程中理解点云数据的重要结构。目前的自动编码器主要关注于通过全局形状重构来学习全局结构,而忽略了对局部结构的学习。为了解决这个问题,我们提出了局部到全局自动编码器(L2 G-AE),通过局部到全局重建同时学习点云的局部和全局结构。具体地,L2 G-AE采用编码器来同时对局部区域中的多个尺度的几何信息进行编码。此外,我们还引入了一种新颖的分层自注意力机制,突出编码器信息聚合中不同层次的重要点、尺度和区域。同时,L2 G-AE采用递归神经网络(RNN)作为解码器,在局部区域中重建一系列尺度,在此基础上增量重建全局点云。我们在形状分类,检索和上采样方面的出色结果表明,L2 G-AE可以比最先进的方法更好地理解点云。
2019-08-02 cs.CV cs.LG
Gaussian Control with Hierarchical Semantic Graphs in 3D Human Recovery
Zhejiang University(浙江大学);Zhejiang Lab(之江实验室)
针对3DGS人体重建依赖2D像素监督、忽略身体部位几何拓扑关系的问题,提出HUGS框架,通过语义先验保证拓扑一致性、解耦高频特征细化细节,实现高保真3D人体重建,性能优于现有方法。
2024-06-22 cs.CV
UniPlane: Unified Plane Detection and Reconstruction from Posed Monocular Videos
University of Southern California(南加州大学);Meta Reality Labs(元宇宙现实实验室)
UniPlane提出在单一Transformer网络中统一平面检测与重建,通过三维特征体和平面嵌入的点积直接重建平面,在真实数据集上以+4.6 F-score超越现有方法。
2024-07-04 cs.CV
HAVIR: HierArchical Vision to Image Reconstruction using CLIP-Guided Versatile Diffusion
Research Center for Medical AI, Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences(医学人工智能研究中心,深圳先进技术研究所,中国科学院);Research Center for Biomedical Imaging, Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences(生物医学成像研究中心,深圳先进技术研究所,中国科学院)
HAVIR通过分层结构生成和语义提取,结合CLIP引导的多功能扩散模型,提升复杂场景下的图像重建质量。
2025-10-12 cs.AI cs.CV
PHI-MVS: Plane Hypothesis Inference Multi-view Stereo for Large-Scale Scene Reconstruction
基于PatchMatch的多视图立体视觉(MVS)算法在大规模场景重建中取得了巨大的成功。然而,无纹理平面的重建往往会失败,因为相似性测量方法在这些区域上可能变得无效。因此,提出了一种新的平面假设推理策略来处理上述问题。该过程包括两个步骤:首先,使用未成功恢复的区域上的过滤的初始深度图生成多个平面假设;其次,使用马尔可夫随机场(MRF)选择深度假设。该策略在计算时间增加不多的情况下,能显著提高重建结果的完整性。此外,一种新的加速方案,类似于扩张卷积,可以加快深度图估计过程中只有轻微的影响重建。我们将上述想法集成到一个新的MVS流水线,平面假设推理多视图立体视觉(PHI-MVS)。PHI-MVS的结果在ETH 3D公共基准测试中得到了验证,它展示了与最先进技术相竞争的性能。
2021-04-13 cs.CV
HARMONY: Hierarchical Agentic Reasoning for MONocular Image-to-Scene Synthesis
University of Pennsylvania(宾夕法尼亚大学)
提出HARMONY分层智能体推理框架,结合VLM语义推理与几何基础模型,实现从单目图像到高保真3D场景的合成,优于现有重建基线。
2026-10-07 cs.CV
Pressure2Motion: Hierarchical Human Motion Reconstruction from Ground Pressure with Text Guidance
Nanjing University(南京大学);Snap Inc.;Concordia University
Pressure2Motion通过结合地面压力数据和文本提示,实现低成本、隐私保护的人体运动重建,首次在该领域取得突破。
2025-11-22 cs.CV
Hierarchical Process Reward Models are Symbolic Vision Learners
Adelaide AIML(阿德莱德AIML);Ohio State University(俄亥俄州立大学);University of Oxford(牛津大学);Data61;CSIRO(澳大利亚国立科研组织)
本文提出了一种层次化过程奖励模型,通过符号学习提升图表重建、感知和推理任务的性能。
2025-12-02 cs.CV
Scene4U: Hierarchical Layered 3D Scene Reconstruction from Single Panoramic Image for Your Immerse Exploration
Sun Yat-sen University(中山大学);Shanghai Artificial Intelligence Laboratory(上海人工智能实验室);University of Science and Technology of China(中国科学技术大学)
Scene4U提出一种从单张全景图像进行分层3D场景重建的框架,结合开放词汇分割、大语言模型和扩散模型修复遮挡,生成支持自由探索的沉浸式场景,在LPIPS和BRISQUE上分别提升24.24%和24.40%。
2025-04-21 cs.CV
sshELF: Single-Shot Hierarchical Extrapolation of Latent Features for 3D Reconstruction from Sparse-Views
Continental(大陆集团);University of Freiburg(弗赖堡大学);University of Tübingen(蒂宾根大学)
sshELF提出一种单次层次化潜在特征外推方法,通过跨场景先验生成虚拟视图并与基元解码解耦,仅用六个稀疏视图即可高质量重建360度室外场景,支持实时渲染并具备强泛化能力。
2025-02-06 cs.CV
PlaneRecNet: Multi-Task Learning with Cross-Task Consistency for Piece-Wise Plane Detection and Reconstruction from a Single RGB Image
分段三维平面重建提供了对人造环境的整体场景理解,特别是对于室内场景。最近的方法主要集中在通过引入先进的网络架构来改善分割和重建结果,但忽略了分段平面作为对象和几何模型的双重特性。与其他现有方法不同,我们从多任务卷积神经网络PlaneRecNet的跨任务一致性开始,PlaneRecNet集成了一个用于分段平面分割的单级实例分割网络和一个深度解码器,用于从单个RGB图像重建场景。为了实现这一目标,我们引入了几个新的损失函数(几何约束),共同提高分段平面分割和深度估计的准确性。同时,提出了一种新的平面先验注意模型,通过对平面实例的感知来指导深度估计。在这项工作中进行了详尽的实验,以验证我们的方法的有效性和效率。
2022-01-30 cs.CV
Hierarchical Regression Network for Spectral Reconstruction from RGB Images
City University of Hong Kong(香港城市大学);SenseTime Research(商汤科技研究院);Harbin Institute of Technology(哈尔滨工业大学)
利用高光谱相机获取可见光图像,由于其窄带成像技术,已经成功地应用于许多领域。从RGB图像的高光谱重建表示通过发现逆响应函数的高光谱成像的逆过程。目前的工作主要是RGB图像直接映射到相应的频谱,但没有考虑上下文信息显式。此外,在现有的算法中使用的编码器-解码器对导致信息的丢失。为了解决这些问题,我们提出了一个4级分层回归网络(HRNet)与PixelShuffle层作为层间交互。此外,我们采用了一个剩余的密集块,以消除真实世界的RGB图像的伪影和一个剩余的全局块建立注意机制,扩大感知领域。我们通过参加NTIRE 2020年RGB图像光谱重建挑战赛来评估所提出的HRNet与其他架构和技术。HRNet是轨道2 -真实世界图像的获胜方法,在轨道1 -干净图像中排名第三。请访问项目网页https://github.com/zhaoyuzhi/Hierarchical-Regression-Network-for-Spectral-Reconstruction-from-RGB-Images,尝试我们的代码和预训练模型。
2020-05-10 cs.CV cs.LG eess.IV
HPR3D: Hierarchical Proxy Representation for High-Fidelity 3D Reconstruction and Controllable Editing
提出一种基于稀疏树状代理节点的3D层次化表示方法,通过局部神经插值实现高保真重建与直接拖拽编辑,兼顾紧凑性与可扩展性。
2025-07-16 cs.CV cs.GR
Plane2Depth: Hierarchical Adaptive Plane Guidance for Monocular Depth Estimation
Deep Space Exploration Laboratory(深空探测实验室);School of Information Science and Technology, University of Science and Technology of China(中国科学技术大学信息科学技术学院);University of Science and Technology of China(中国科学技术大学)
针对单目深度估计在室内低纹理区域表现不佳的问题,提出Plane2Depth分层框架,通过平面引导生成器和自适应查询聚合模块利用平面信息,在多个数据集上取得优异性能且泛化性良好。
2024-09-04 cs.CV
SemVideo: Reconstructs What You Watch from Brain Activity via Hierarchical Semantic Guidance
Beijing University of Posts and Telecommunications(北京邮电大学);University of Surrey(Surrey大学)
SemVideo通过分层语义引导实现从脑活动到视频的重建,提升语义对齐与时间一致性性能。
2026-08-18 cs.AI cs.CV
GeoWeaver: Accurate Long-Sequence 3D Reconstruction via Hierarchical Geometric Assembly
GeoWeaver是含GPM与TTA的统一框架,通过分层几何组装解决长序列3D重建的尺度漂移等问题,提升全局一致性,且可适配不同几何先验模型。
2026-08-19 cs.CV
Multi-task Planar Reconstruction with Feature Warping Guidance
Fraunhofer Heinrich Hertz Institute(弗劳恩霍夫海因里希·赫兹研究所);Humboldt University(洪堡大学)
本文提出SOLOPlanes,一种基于改进实例分割架构的实时平面重建模型,通过多视图特征变形引导实现语义、平面参数与掩码的联合预测,在43 FPS下提升分割精度。
2023-12-21 cs.CV
Fast Stochastic Hierarchical Bayesian MAP for Tomographic Imaging
Pennsylvania State University(宾夕法尼亚州立大学);U.S. Naval Research Laboratory(美国海军研究实验室)
任何图像恢复算法都试图以及时的方式实现最高质量的重建。前者可以通过几种方式实现,其中之一是通过结合贝叶斯先验知识,利用自然图像趋势来提示相关现象。层次贝叶斯MAP(HB-MAP)就是这样一种方法,它被称为产生令人信服的结果,虽然在一个相当大的计算成本。我们希望提供进一步的分析和见解是什么使HB-MAP的工作。在保留HB-MAP的I型估计的熟练性质的同时,我们提出了一种基于随机近似的II型估计方法。由此产生的算法,快速随机HB-MAP(fsHBMAP),需要显着减少操作,同时保持高重建质量。我们采用我们的fsHBMAP计划对问题的层析成像,并证明fsHBMAP promises有前途的结果相比,许多竞争的方法。
2017-07-07 cs.CV
Hi-DREAM: Brain-Inspired Hierarchical Diffusion for fMRI-to-Image Reconstruction via ROI Encoder and VisuAl Mapping
Dept of Data Science and AI, Monash University, Melbourne, Australia(数据科学与人工智能系,墨尔本大学,澳大利亚);School of Psychological Sciences, Monash University, Melbourne, Australia(心理学科学学院,墨尔本大学,澳大利亚);Brain and Mind Centre, University of Sydney, Sydney, Australia(脑与心智中心,悉尼大学,澳大利亚)
提出Hi-DREAM框架,利用层次化扩散模型,通过ROI适配器将早期、中期和晚期视觉ROI流转换为多尺度皮层金字塔,并用轻量级ROI条件ControlNet注入解剖先验,在NSD数据集上实现最先进的高层语义重建和强低层结构。
2026-07-03 cs.CV cs.HC
HRGS: Hierarchical Gaussian Splatting for Memory-Efficient High-Resolution 3D Reconstruction
School of Artificial Intelligence Beihang University(北京航空航天大学人工智能学院);School of Computing National University of Singapore(新加坡国立大学计算机学院);School of Automation Science and Electrical Engineering Beihang University(北京航空航天大学自动化科学与电气工程学院);School of Astronautics Beihang University(北京航空航天大学航天学院)
针对3DGS高分辨率场景内存不足问题,提出分层高斯溅射框架HRGS,通过分层块级优化、重要性驱动剪枝和法向先验,在内存受限下实现高分辨率三维重建与新视角合成的SOTA性能。
2025-06-17 cs.AI cs.CV
Plane-Based Optimization of Geometry and Texture for RGB-D Reconstruction of Indoor Scenes
University of Texas at Dallas(德克萨斯大学达拉斯分校)
提出了一种基于平面基元的RGB-D室内场景重建方法。该方法以RGB-D序列和基于该序列的3D重建方法重建的密集粗网格作为输入,生成的低多边形网格具有清晰的人脸纹理和尖锐的特征,同时不丢失原始场景的几何细节。为了实现这一点,我们首先划分输入网格与平面图元,简化成一个轻量级的网格下,然后优化平面参数,相机姿势和纹理颜色,以最大限度地提高跨帧的光度一致性,最后优化网格几何形状,以最大限度地提高几何和平面之间的一致性。与现有的平面重建方法只覆盖场景中较大的平面区域相比,该方法通过自适应平面构建整个场景,不丢失几何细节,并保留了最终网格的尖锐特征。我们证明了我们的方法的有效性,将其应用到几个RGB-D扫描,并将其与其他国家的最先进的重建方法进行比较。
2019-05-23 cs.CV
3D Brain Reconstruction by Hierarchical Shape-Perception Network from a Single Incomplete Image
Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences(中国科学院深圳先进技术研究院);University of Chinese Academy of Sciences(中国科学院大学);School of Biomedical Engineering, Shenzhen University(深圳大学生物医学工程学院);Gaoling School of Artificial Intelligence, Renmin University of China(中国人民大学高瓴人工智能学院);College of Computer Science and Technology, Qingdao University(青岛大学计算机科学与技术学院)
3D形状重建在微创和自动机器人引导手术的导航中是必不可少的,其操作环境是间接和狭窄的,并且已经有一些工作集中于通过有限的可用2D信息重建手术器官的3D形状。但未考虑术中紧急情况(如出血)和风险控制条件导致的此类信息的缺失和不完整。本文提出了一种新的分层形状感知网络(HSPN),用于从单个不完整图像中以低延迟重建特定大脑的3D点云(PC)。构造分支预测器和多个层次注意力管道来生成精确描述不完整图像的点云,然后以高质量完成这些点云。同时,设计了注意力门模块(AGB),有效地聚合层次注意力管道传输的不完整PC的几何局部特征和重建点云的内部特征。利用所提出的HSPN,可以自发地实现3D形状感知和完成。通过倒角距离和PC到PC误差的综合测量结果表明,所提出的HSPN的性能优于其他竞争力的方法在定性显示,定量实验和分类评价。
2021-10-12 cs.CV eess.IV
Hestia: Voxel-Face-Aware Hierarchical Next-Best-View Acquisition for Efficient 3D Reconstruction
University of Technology Sydney(悉尼技术大学);Brown University(布朗大学)
本文提出Hestia,一种面向高效3D重建的体素-面感知分层最佳视角获取方法,通过改进的规划器组件提升鲁棒性和性能,实验显示在覆盖比和Chamfer距离上均有显著提升。
2026-05-15 cs.CV cs.RO
A hierarchical approach to deep learning and its application to tomographic reconstruction
GE Research(GE研究中心)
深度学习(DL)在许多图像分析和图像增强任务中表现出前所未有的性能。然而,解决大规模的逆问题,如层析重建仍然具有挑战性的DL。这些问题涉及输入域和输出域之间的非局部和空间变化的积分变换,尚未找到有效的神经网络模型。之前尝试通过监督学习解决此类问题依赖于强力全连接网络,并将其应用于重建$128^4$系统矩阵大小。这实际上不能缩放到现实的数据大小,例如三维数据集的$512^4$和$512^6$。在这里,我们提出了一个新的框架,通过将原始问题转换为输入和输出数据之间的连续中间表示来解决深度学习的问题。原始问题被分解为一系列更简单的变换,这些变换可以很好地映射到一个高效的分层网络架构上,其参数比通用网络所需的参数要少。我们将该方法应用于$512^4$系统矩阵大小的计算机断层成像(CT)图像重建。据我们所知,这使得第一个数据驱动的DL求解器能够用于全尺寸CT重建,而不依赖于直接(分析)或迭代(数值)反演技术的结构。所提出的方法是适用于其他成像问题,如发射和磁共振重建。更广泛地说,分层DL打开了一扇大门,一类新的求解器的一般逆问题,这可能会导致改善信噪比,空间分辨率和计算效率在各个领域。
2019-12-16 cs.CV cs.LG eess.IV
HERE: Hierarchical Active Exploration of Radiance Field with Epistemic Uncertainty Minimization
Department of Aerospace Engineering, Seoul National University(航空航天工程系,首尔国立大学)
本文提出HERE框架,通过主动学习策略生成相机轨迹,结合证据深度学习量化epistemic不确定性,提升3D场景重建的精度和效率。
2026-03-21 cs.CV cs.RO
De-noising, Stabilizing and Completing 3D Reconstructions On-the-go using Plane Priors
Technical University of Munich(慕尼黑工业大学);Google(谷歌)
近年来,在机器人和其他移动设备上创建3D地图已成为现实。在线3D重建可以在机器人和AR/VR游戏中实现许多令人兴奋的应用。然而,重建是嘈杂的,通常是不完整的。此外,在深度重建期间,表面随着每个新集成的深度图像而变化,这对物理引擎和路径规划算法构成了重大挑战。本文提出了一种新的,快速和强大的方法来获取和使用有关平面表面的信息,如墙壁,地板和天花板作为一个阶段,在3D重建的基础上签署的距离场。我们的算法恢复干净和准确的表面,减少移动的个别网格顶点造成的噪声在线重建和填充在闭塞和未观察到的地区。我们实现并评估了两种不同的策略来生成平面候选者和两种策略来合并它们。我们的实现经过优化,可以在Tango平板电脑等移动设备上实时运行。在一组广泛的实验中,我们验证了我们的方法在大量的自然环境中工作良好,尽管存在大量的遮挡,杂波和噪声,这些经常发生。我们进一步表明,平面拟合,使在许多情况下,一个有意义的语义分割的现实世界的场景。
2017-03-28 cs.CV
DH-Mamba: Exploring Dual-domain Hierarchical State Space Models for MRI Reconstruction
School of Basic Medical Science, Fudan University(复旦大学基础医学院);Academy of Engineering and Technology, Fudan University(复旦大学工程与技术学院);Shandong Computer Science Center (National Supercomputer Center in Jinan)(山东计算机科学中心(国家济南超级计算中心))
本文提出一种用于MRI重建的双域分层Mamba模型,通过在k空间引入循环扫描、采用高效分层扫描策略及局部多样性增强模块,解决了长程遗忘与局部表示多样性受限问题,以更低计算成本显著优于现有方法。
2025-03-31 cs.CV eess.IV
Hierarchical Space Partition for Surface Reconstruction
Independent Researcher(独立研究员);Huazhong University of Science and Technology(华中科技大学)
针对点云重建中因LiDAR扫描局限导致细节缺失的问题,提出基于平面分类与优先级生长的层次空间划分方法,并通过最小割优化生成水密多边形网格。
2026-06-03 cs.CG cs.CV
Towards In-the-wild 3D Plane Reconstruction from a Single Image
The Pennsylvania State University(宾夕法尼亚州立大学);University of Louisville(路易斯维尔大学);Bytedance(字节跳动)
本文提出基于Transformer的ZeroPlane框架,通过构建跨14个数据集的大规模平面基准,并解耦法向量与偏移量表示,实现单张图像的高泛化零样本三维平面重建。
2025-06-03 cs.CV
NOPE-SAC: Neural One-Plane RANSAC for Sparse-View Planar 3D Reconstruction
Wuhan University(武汉大学);Ant Group(蚂蚁集团);North Carolina State University(北卡罗来纳州立大学)
针对稀疏视图双视图3D重建中对应关系不足的问题,提出NOPE-SAC框架,通过孪生网络和共享MLP学习3D平面对应关系生成单平面位姿假设,经RANSAC加权获得最终位姿,在MatterPort3D和ScanNet基准上取得最先进性能。
2023-09-13 cs.CV
Indoor Panorama Planar 3D Reconstruction via Divide and Conquer
National Tsing Hua University(国立清华大学);ASUS AICS(华硕AI研发中心);Joint Research Center for AI Technology and All Vista Healthcare(AI技术与All Vista Healthcare联合研究中心);Aeolus Robotics
室内全景通常由平行或垂直于重力的人造结构组成。我们利用这种现象来近似场景中的360度图像与(H)orizontal-planes和(V)ertical-planes。为此,我们提出了一种有效的分治策略,划分像素的基础上,他们的平面方向估计,然后,后续的实例分割模块征服的任务,更容易在每个平面方向组的平面聚类。此外,V平面的参数取决于摄像机的偏航旋转,但平移不变的CNN不太了解偏航变化。因此,我们提出了一个偏航不变的V平面重新参数化CNN学习。我们通过扩展现有的360深度数据集与地面真实H\& V平面(称为PanoH&V数据集),并采用最先进的平面重建方法来预测H\& V平面作为我们的基线,创建了一个室内全景平面重建的基准。我们的方法在所提出的数据集上的性能大大优于基线。
2021-09-09 cs.CV