读个论文（一）—— 3D Representation Methods: A Survey

已于 2025-02-05 03:43:30 修改
阅读量1.7k 收藏 46
点赞数 32
分类专栏： 论文阅读 文章标签： 3d 人工智能 深度学习 机器学习 神经网络
于 2025-01-09 09:00:00 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_45920264/article/details/144967538
版权

3D Representation Methods: A Survey

该文章来自2024年10月9日发表的论文，作者是北京大学的Wang Zhengren。APA引用如下：
Wang, Z. (2024). 3D Representation Methods: A Survey. arXiv preprint arXiv:2410.06475.

Abstract

这是一篇三维表示方法领域的综述，介绍了体素网格、点云、SDF、NeRF、3D Gaussian Splatting、Tri-Plane、DMTet等方法，和一些数据集，以及未来可能的发展方向

Introduction

随着人工智能和算力等技术的进步，3D表示领域从几何表示发展到数据驱动，实现了技术的大幅增长，而精确的三维表示又影响了自动驾驶、医学等领域的应用。
三维表示方法：
显示几何描述，多边形网络和CSG
基于体积的表示，体素网格
点云
基于网格的表示
隐式表示，SDF
基于神经网络的表示
混合方法，3D Gaussian Splatting、Tri-Plane、DMTet

3D Representation Methods（对应Introduction介绍了各种表示方法）

最低0.47元/天 解锁文章
三维重建（六）——3D Representation Methods: A Survey（北大总结三维表征--2024.10出版）
河海大学研究生在读的学习笔记
12-20 1079
三维重建（六）——3D Representation Methods: A Survey（北大总结三维表征--2024.10出版）
论文笔记_SLAM_Simultaneous Localization And Mapping: A Survey of Current Trends in Autonomous Driving
惊鸿一博
03-02 1829
论文基本信息 出处：IEEE Transactions on Intelligent Vehicles (目前未进SCI) 年份：2017 作者：Guillaume Bresson, Zayed Alsayed, Li Yu and Sebastien Glaser Guillaume Bresson：Universite Blaise Pascal (UBP), France Li...
3D Representation Methods: A Survey_METHODS
初见月
10-27 1079
3D表示方法综述(方法)
【论文解析】Deep Generative Models on 3D Representations: A Survey
Joselynzhao
11-16 923
Generative models, as an important family of statistical modeling, target learning the observed data distribution via generating new instances. Along with the rise of neural networks, deep generative models, such as variational autoencoders (VAEs) and gene
Advances in 3D Generation: A Survey（有关3D生成模型进展的调查 ）
XWdongbei的博客
04-11 823
生成 3D 模型是计算机图形学的核心，也是数十年来研究的焦点。随着高级神经表示和生成模型的出现，3D 内容生成领域正在快速发展，使得能够创建越来越高质量和多样化的 3D 模型。该领域的快速增长使得很难跟上所有最新发展。在本次调查中，我们的目标是介绍 3D 生成方法的基本方法，并建立一个结构化的路线图，包括 3D 表示、生成方法、数据集和相应的应用程序。具体来说，我们介绍了作为 3D 生成支柱的 3D 表示。
【论文阅读笔记】Advances in 3D Generation: A Survey
weixin_43357695的博客
02-01 1813
生成 3D 模型位于计算机图形学的核心，一直是几十年研究的重点。随着高级神经表示和生成模型的出现，3D 内容生成领域发展迅速，能够创建越来越高质量和多样化的 3D 模型。该领域的快速增长使得很难跟上所有最近的发展。在本次调查中，我们旨在介绍 3D 生成方法的基本方法并建立结构化路线图，包括 3D 表示、生成方法、数据集和相应应用。
【IEEE】Multimodal Machine Learning: A Survey and Taxonomy
qq_43775034的博客
03-18 1970
如果我们想要构建能够感知、建模和生成多模态信号的计算机，就需要多模态研究的所有这些方面。多模态机器学习的一个特定领域似乎尚未得到充分研究，那就是共同学习，其中来自一种模态的知识有助于在另一种模态中建模。这一挑战与协调表示的概念有关，其中每种模态保留自己的表示，但找到一种交换和协调知识的方法。我们认为这些研究方向是未来研究的有希望的方向。
【论文阅读·综述】Deep Learning for 3D Point Clouds: A Survey
zhangyj85的博客
10-13 845
本文的以下内容主要是对该paper进行初步的概括和部分翻译，对3D点云处理领域有一个基本的认识，了解该领域的一些基本概念、基本方法
论文笔记（综述）——Image fusion meets deep learning: A survey and perspective
浅若清风cyf的博客
12-01 8070
文章目录摘要引言 摘要 图像融合：指从不同的源图像中提取并组合最有意义的信息，其目的是生成一幅信息量更大、有利于后续应用的图像。 深度学习在图像融合中的应用：神经网络的强大特征提取和重建能力使得融合结果有前景。（如：生成对抗网络，自动编码器） 本文要点： ① 介绍了图像融合的概念，并从采用的深层架构和融合场景的角度对图像融合方法进行分类。 ② 回顾了深度学习在各种图像融合场景中的应用，包括数字摄影图像融合、多模态图像融合和锐化融合。 ③ 对特定融合任务中的一些代表性方法进行了定性和定量评估。 ④ 介绍了
（参考写法）Transformer-Based Visual Segmentation:A Survey
sinat_41942180的博客
11-04 520
视觉分割旨在将图像、视频帧或点云分割为多个片段或组。这种技术具有许多现实世界的应用，如自动驾驶、图像编辑、机器人感知和医学分析。（视觉分割定义+应用举例）在过去的十年里，基于深度学习的方法在这个领域取得了显著的进展。（之前是基于什么发展的）最近，Transformer成为一种基于自注意力机制的神经网络，最初设计用于自然语言处理，在各种视觉处理任务中明显超越了以往的卷积或循环方法。（提出本文要用的方法Transformer）
论文速读| Multi-Task Learning for Dense Prediction Tasks: A Survey密集预测中的多任务学习综述.TPAMI2020
科研笔记
01-15 1084
随着深度学习的出现，许多密集预测任务，即产生像素级预测的任务，已经看到了显着的性能改进。典型的方法是孤立地学习这些任务，即为每个单独的任务训练一个单独的神经网络。然而，最近的多任务学习（MTL）技术通过学习的共享表示联合处理多个任务，在性能、计算和/或内存占用方面显示出有希望的结果。在本次调查中，我们全面介绍了计算机视觉中MTL的最先进深度学习方法，明确强调密集预测任务。我们的贡献涉及以下方面。首先，我们从网络架构的角度考虑MTL。我们包括广泛的概述并讨论了最近流行的MTL模型的优点/缺点。
Image Processing and Analysis_15_Image Registration：Image registration methods a survey——2003
Alliswell_WP
10-19 2148
此主要讨论图像处理与分析。虽然计算机视觉部分的有些内容比如特 征提取等也可以归结到图像分析中来，但鉴于它们与计算机视觉的紧密联系，以 及它们的出处，没有把它们纳入到图像处理与分析中来。同样，这里面也有一些 也可以划归到计算机视觉中去。这都不重要，只要知道有这么个方法，能为自己 所用，或者从中得到灵感，这就够了。 注意：Registration可翻译为“配准”或“匹配”，一般是图像配准，...
3D Representation Methods: A Survey_DATASETS
初见月
10-27 1143
3D表示方法综述(数据)
破解工业3D可视化困局，HOOPS Visualize助力高效跨平台协作与交互！
2403_88148744的博客
05-06 858
在当今数字化设计与制造领域，3D 可视化技术的应用越来越广泛，但同时众多3D可视化工具也暴露出诸如性能差、平台兼容性差、交互体验不佳等诸多令人头疼的问题。
多视图密集对应学习：细粒度3D分割的自监督革命
weixin_52603404的博客
05-09 582
斯坦福大学视觉实验室提出的MvDeCor方法，通过多视图密集对应学习，自监督预训练2D网络，并将2D嵌入反投影到3D，实现了高精度的细粒度3D形状分割。该方法解决了3D模型标注数据稀缺和3D网络难以表达高分辨率细节的挑战，利用2D视觉先验技术，通过多视图渲染、密集对应采样、对比学习预训练、少量标注微调和多视图加权投票聚合等步骤，显著提升了少样本条件下的细粒度分割性能。实验验证显示，MvDeCor在PartNet数据集上的mIoU达到了35.9%，相对提升了4.0%。未来，该方法可进一步优化视图选择、融合3D
第四章-初始化Direct3D
m0_57958061的博客
05-07 996
首先我们需要一个错误检测和抛出机制下面是我的整体结构。
MiM: Mask in Mask Self-SupervisedPre-Training for 3D Medical Image Analysis
最新发布
qq_51659249的博客
05-09 449
Vision Transformer在3D医学图像分析的自监督学习（Self-Supervised Learning，SSL）中展现了卓越的性能。掩码自编码器（Masked Auto-Encoder，MAE）用于特征预训练，可以进一步释放ViT在各种医学视觉任务中的潜力。然而，在本文中，我们提出了一种新颖的3D医学图像掩码内掩码（Mask in Mask，MiM）预训练框架，。我们。此外，我们应用了一种。此外，我们采用了。
Alpha3DCS公差分析系统_国产替代的3D精度管控方案-SNK施努卡
qq_27572409的博客
05-08 313
可以应用于刚体装配、运动机构、以及考虑受力变形下的零件公差分析；•提供‌。
Cesium 问题：加载3dtiles模型后较暗
虎康的博客
05-07 137
调整太阳光照强度：可以通过设置 viewer.scene.globe.enableLighting 来开启或关闭光照效果，同时使用 viewer.scene.light 调整光照强度和方向。Cesium 场景的光照条件会直接影响模型的显示亮度。默认的光照参数可能不适合当前模型，比如太阳光照强度较低、光照方向不利于展示模型细节等。环境光的设置也很关键，如果环境光强度不足，模型的阴影部分就会显得很暗。
论文HexPlane: A Fast Representation for Dynamic Scenes
03-03
在HexPlane中，每个六边形被视为一个代表表面的平面，每个平面由其法线向量和原点位置表示。此外，HexPlane还利用了三角剖分的思想，将每个六边形划分为三角形。通过这种方法，可以更准确地表示平面的形状，并且可以...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值