![](https://img-blog.csdnimg.cn/20201014180756927.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
3D-Reconstruction
水木流年追梦
清华大学计算机研究生,专研算法工程
展开
-
2015-2020年各类国际会议与期刊基于图像的三维对象重建论文综述(8)——Comparison
下表为各种方法的比较,包括输入,输出,训练,评价指标。原创 2020-12-15 12:26:38 · 367 阅读 · 0 评论 -
2015-2020年各类国际会议与期刊基于图像的三维对象重建论文综述(7)——Datasets
7. Datasets原创 2020-12-14 22:53:19 · 350 阅读 · 0 评论 -
2015-2020年各类国际会议与期刊基于图像的三维对象重建论文综述(6)——Training
6. Training原创 2020-12-14 22:52:43 · 355 阅读 · 0 评论 -
2015-2020年各类国际会议与期刊基于图像的三维对象重建论文综述(5)——Leveraging other clues
5. Leveraging other clues原创 2020-12-14 22:51:42 · 298 阅读 · 0 评论 -
2015-2020年各类国际会议与期刊基于图像的三维对象重建论文综述(4)—— 3D Surface decoding
4. 3D Surface decoding原创 2020-12-14 22:43:37 · 393 阅读 · 0 评论 -
2015-2020年各类国际会议与期刊基于图像的三维对象重建论文综述(3)——Volumetric decoding
3. Volumetric decoding原创 2020-12-14 22:42:33 · 276 阅读 · 0 评论 -
2015-2020年各类国际会议与期刊基于图像的三维对象重建论文综述(2)——Encoder stage
2. Encoder Stage 基于深度学习的3D重建算法将输入I编码为特征向量x = h(I)∈X,其中X是潜在空间。 良好的映射函数h应该满足以下属性: 代表相似3D对象的两个输入I1和I2应该映射到在潜在空间中彼此靠近的x1和x2∈X。 x的小扰动∂x应该对应于输入形状的小扰动。 h引起的潜像表示应不受照相机姿态等外部因素的影响。 3D模型及其对应的2D图像应映射到潜在空间中的同一点上。确保表示不会造成歧义,从而有助于重建。 通过使用将输入映射到离散或连续潜在空间...原创 2020-12-14 22:05:28 · 393 阅读 · 0 评论 -
研究生科研必备!!!2015-2020年各类国际会议基于图像的三维重建论文综述(1)——总览
一.图像重建分类 输入可能是 单张图片 使用RGB摄像机捕获的多幅图像,其内在和外在参数可以是已知的或未知的 视频流,即具有时间相关性的图像序列 输出的表示对于网络体系结构的选择至关重要。 这也影响了重建的计算效率和质量。 体素表示:在早期基于深度学习的三维重建技术中被广泛采用,允许使用规则体素网格对三维形状进行参数化。 因此用于图像分析的2D卷积可以很容易地扩展到3D。 然而它们在内存需求方面非常昂贵,只有少数技术可以实现子体素精度。 基于表面的表示:其他论文探讨了基于表面的表示,如网格.原创 2020-12-14 20:54:25 · 927 阅读 · 0 评论