超级UDF:自主监督的UDF对表面重建的估计
相关实验视频
Updated: Jul 16, 2025

06:48
Surface Mapping of Earth-like Exoplanets using Single Point Light Curves
Published on: May 10, 2020
3.6K
IEEE transactions on visualization and computer graphics
|September 22, 2023
概括
超级UDF引入了使用未签名距离函数 (UDF) 进行表面重建的自我监督学习. 这种方法提高了效率和稳定性,即使用稀疏的数据,通过利用学习的几何先验和新的规范化技术来提高效率和稳定性.
科学领域:
- 计算机视觉 计算机视觉
- 计算机图形 计算机图形
- 机器学习 机器学习
背景情况:
- 表面重建对于3D建模和分析至关重要.
- 无符号距离函数 (UDF) 在表示开放表面方面具有优势.
- 现有的基于学习的方法面临着稀少数据和效率的挑战.
研究的目的:
- 为基于UDF的表面重建开发一个自我监督的学习框架.
- 提高UDF估计的效率和稳定性,特别是在稀疏采样场景中.
- 引入一种新的网状取方法,从已学习的UDF中提取.
主要方法:
- 提出了SuperUDF,一种用于UDF估计的自我监督学习方法.
- 结合了之前学习的几何学,以进行高效的训练.
- 引入了一种新的规范化损失,用于对稀疏采样的稳定性.
- 开发了一种基于学习的网格提取技术.
主要成果:
- 与最先进的方法相比,SuperUDF表现出卓越的性能.
- 在重建质量和计算效率方面取得了改进.
- 在多个公共数据集上验证,显示了对稀疏采样的稳定性.
结论:
- 超级UDF提供了一种有效和高效的解决方案,用于使用UDFs进行基于学习的表面重建.
- 拟议的方法推进了处理稀疏数据的最先进技术,用于3D表面估计.
- 未来的工作包括发布更广泛采用研究的代码.
更多相关视频
08:59Morphology-Based Distinction Between Healthy and Pathological Cells Utilizing Fourier Transforms and Self-Organizing Maps
Published on: October 28, 2018
7.1K
11:38Volume Segmentation and Analysis of Biological Materials Using SuRVoS Super-region Volume Segmentation Workbench
Published on: August 23, 2017
9.9K