Paper Review (8) 썸네일형 리스트형 [Paper] Learning Smooth Neural Functions via Lipschitz Regularization Neural Implicit Fields 분야가 3D Representation에서 각광을 받고 있다. 본 연구에서는 Neural Feilds에서 smooth latent space를 독려할 수 있는 Novel Regularization을 소개하고자 한다. 이전 Lipschitz regularized networks와 비교해 본 연구는 컴퓨팅 속도가 빠르고 단지 4줄의 코드만으로 구현할 수 있다는 장점이 있다.(개인적으로는 이게 가장 큰 장점이 아닐까 싶다.) 본 연구진은 이러한 연구 접근 방식이 shape interpolation과 extrapolation에 대해서도 효과가 있을 뿐만 아니라 3D points clouds의 부분 정보만을 가지고 전체 형상을 Reconstruction 하는데도 효과가 있.. [Paper] Deep Local Shapes: Learning Local SDF Priors for Detailed 3D Reconstruction Abstract Machine Perception 분야에서 복잡한 표면을 Reconstruction 하는 것은 상당히 중요한 일입니다. 그래서 이 논문을 소개합니다. DeepLS는3D Shape에 대해서 높은 퀄리티로 재건하는 것을 가능하게 합니다. 본 연구의 선구자 격인 DeepSDF와는 달리 이 논문은 A grid of independent latent codes를 저장하며, 각각은 작은 로컬 이웃의 정보들을 저장합니다. 이 방법론은 형상의 Shape Encoding과 Reconstruction에 대해서 상당히 Generalization된 성능을 보여줍니다. 1. Introduction 최근 들어, DeepSDF를 비롯한 여러 SDF 연구들이 진행되고 있다. 하지만 이들은 주로 object-centr.. [Paper] HybridSDF: Combining Deep Implicit Shapes and Geometric Primitives for 3D Shape Representation and Manipulation Abstract Deep Implicit Surface는 generic shape에 대해서 탁월한 Reconstruction을 보여주었지만, Manufactured objects에 대해서 그 형상을 잘 표현해내지는 못했습니다. 본 논문은 Explicit한 파라미터와 Latent code로 이 문제를 극복하고자 합니다. 이러한 방법론은 3D Shapes을 효율적으로 조절하게 도와줍니다. 1. Introduction SDF 표현방법의 장점 명확하지만, 단점 또한 명확합니다. 형상을 학습하기는 하지만, 임의로 학습하기 때문에 몇 개의 Parameters로 표현할 수 있는 간단한 형상 등을 표현하는데 어려움을 겪습니다. 예를 들어, 자동차의 전체 형상은 잘 학습할지 몰라도, 자동차의 타이어나 휠 부분을 학습하는.. [Paper] Learning Shape Abstractions by Assembling Volumetric Primitives 지금까지 3D Vision 분야 논문들을 꽤 읽어왔기 때문에 그런지 이제 이름들이 조금씩 익숙해지고 있습니다. 특히, 카이스트에서 석사 첫 학기에 수강했던 전산학 특강의 성민혁 교수님의 지도 교수님이신 Guibas 교수님은 이름이 많이 눈에 띕니다. 제자 교수님의 강의도 훌륭하니, 뭐 어떻게 보면 당연하다고 말할 수도 있겠지만, 그 연구실 출신 연구자분들이 정말로 이 3D CV 분야를 확 사로잡고 있다고 말해도 될 정도로 상당히 높은 수준의, 그리고 연구의 원천이 되는 연구들을 다수 수행하고 계십니다. 본 논문도 역시 스탠포드 대학과 UC 버클리 학생 및 교수진들이 참여한 연구로 Parsimony of description에 대해서 다루고 있습니다. 전에 3D Vision분야의 논문을 간단히 살펴볼 때에.. [Paper]Deep Implicit Templates for 3D Shape Representation Abstract Deep Implicit Functions(DIFs)는 3D Shape Representation 분야에서 가장 인기가 많은 표현방식이 되었습니다. 왜냐하면 DIF는 굉장히 Compactness 하고 탁월한 Representation 능력을 보여주었기 때문입니다. 하지만 Mesh-based 표현 방법론과는 달리, dense correspondences(대응)와 Semantic Relationship을 구현하는 것은 아직 어려움이 있었습니다. 이러한 어려움을 극복하고 DIF를 더욱더 Impretalbe 할 수 있도록 하기 위해 저자는 DIT를 제시하고 있습니다. 본 연구의 키워드는 template implicit function의 conditional deformations을 정립하는 것입.. [Paper] ShapeGAN : Adversarial Generation of Continuous Implicit ShapeRepresentations 1. Introduction Shape Synthesis는 generating new, diverse, and realistic shapes을 하는 것을 목표로 합니다. 그리고 이들은 곧 많은 모델들이 직면하는 가장 어려운 문제이기도 합니다. 3D Shape은 다양한 표현방식이 있고 이들은 각자 실현 가능성(fidelity), 기능의 효율성(efficiency capabilities) 측면에서 Trade-off 관계에 있습니다. 최근에서는 SDF 형식의 implicit shape representation이 Powerful tool for reconstructing shape이 되었습니다. 이 방법론을 통해 연속적인 distance field를 표현할 수 있습니다. 그리고 이 방식은 해상도에서도 한계가 .. DEBOSH: Deep Bayesian Shape Optimization 보호되어 있는 글입니다. DeepSDF: Learning Continuous Signed Distance Functions for Shape Representation Abstract 3D computer vision and Robotics 분야에서 3D geometry for rendering and reconstruction을 하는 다양한 방식을 제시해왔습니다. 여러 방법론들은 Fidelity and Efficiency and compression capabilities 등에서 Trade-Off 관계를 보여왔습니다. 본 논문을 통해 높은 수준의 Quality shape representation, Interpolation and Completion from partial and noisy 3D input data을 가능하게 하는 DeepSDF 구현을 보여줍니다. 고전 SDF는 Surface of a single shape을 형성하는 반면, DeepSDF는 Entire.. 이전 1 다음
