DISN：用于高质量单视图三维重建的深度隐式表面网络
计算机视觉与模式识别
2024-03-27 v5
摘要
从单视图图像重建三维形状是一个长期存在的研究问题。本文中，我们提出DISN，一种深度隐式表面网络（Deep Implicit Surface Network），其通过预测底层有符号距离场，可从二维图像生成高质量、细节丰富的三维网格。除利用全局图像特征外，DISN预测每个三维点在二维图像上的投影位置，并从图像特征图中提取局部特征。结合全局与局部特征显著提高了有符号距离场预测的准确率，尤其在细节丰富区域。据我们所知，DISN是首个能从单视图图像中持续捕捉三维形状中孔洞和薄结构等细节的方法。DISN在从合成图像和真实图像重建的多种形状类别上达到了最先进的单视图重建性能。代码见 https://github.com/xharlie/DISN 补充材料见 https://xharlie.github.io/images/neurips_2019_supp.pdf
引用
@article{arxiv.1905.10711,
title = {DISN: Deep Implicit Surface Network for High-quality Single-view 3D Reconstruction},
author = {Qiangeng Xu and Weiyue Wang and Duygu Ceylan and Radomir Mech and Ulrich Neumann},
journal= {arXiv preprint arXiv:1905.10711},
year = {2024}
}
备注
This project was in part supported by the gift funding to the University of Southern California from Adobe Research