弹出运动：通过学习形状拉普拉斯变换实现三维软件图像变形

@第{Lee2022PopOutM3条，title={Pop-Out Motion:3D-通过学习形状拉普拉斯变换的软件图像变形}，author={Jihyun Lee和Minhyuk Sung以及Hyun-jung Kim和Tae-Kyun Kim}，journal={2022 IEEE/CVF计算机视觉和模式识别会议}，年份={2022}，页码={18511-18520}，网址={https://api.semanticscholar.org/CorpusID:247778849}}
本文提出了一种基于监督学习的方法来预测以点云表示的三维重建潜在体积的拉普拉斯形状，并获得有界双调和权重来模拟合理的基于手柄的图像变形。
[PDF]语义阅读器

2引文

OptCtrlPoints：寻找双调和三维形状变形的最佳控制点

这项工作提出了OptCtrlPoints，这是一个数据驱动的框架，用于识别最佳稀疏控制点集，以使用双调和3D形状变形再现目标形状，并提出了一种有效的搜索算法，该算法显著降低了时间复杂度，同时仍能提供近似最优的解决方案。

三维脑和心脏容积生成模型：综述

提出了一种新的、详细的无条件和条件生成模型分类法，以涵盖大脑和心脏的各种医疗任务：无条件合成、分类、条件合成、分割、去噪、检测和注册。

58参考文献

从图像采集中学习特定类别的网格重建

一种学习框架，用于从单个图像中恢复物体的3D形状、相机和纹理，方法是将纹理推理作为图像在标准外观空间中的预测，并表明语义关键点可以很容易地与预测的形状关联。

学习用于三维物体重建的自由变形

本文提出了一种学习自由形式变形（FFD）的方法，用于从单个图像进行三维重建，并在点云和体积度量方面取得了最新的结果。

2D GAN知道3D形状吗？基于二维图像GAN的无监督三维形状重建

这项工作首次尝试从仅对RGB图像进行训练的离线2D GAN中直接挖掘3D几何线索，并发现这样一个预处理的GAN确实包含丰富的3D知识，因此可以用于以无监督的方式从单个2D图像恢复3D形状。

Geo-PIFu：用于单视图人体重建的几何和像素对齐隐函数

提出了Geo-PIFu方法，该方法基于深度隐式函数表示从穿着衣服的人的单目彩色图像中恢复3D网格，以学习潜在的体素特征，使用结构软件3D U-Net作为粗糙的人体形状代理，正则化高分辨率网格并鼓励全局形状规则化。

Pixel2Mesh++：通过变形生成多视图3D网格

该模型学习预测一系列变形，以迭代方式改进粗糙形状，并在不同语义类别、输入图像数量和网格初始化质量之间显示泛化能力。

从野外图像中无监督学习可能对称的可变形三维物体

我们提出了一种从原始单视图图像中学习3D可变形对象类别的方法，无需外部监督。该方法基于一个自动编码器，该编码器将每个输入图像分解为深度，…

Pixel2Mesh：从单个RGB图像生成3D网格模型

一种端到端的深度学习架构，利用从输入图像中提取的感知特征，通过逐步变形椭球体，从单色图像中生成三角形网格中的3D形状。

3DN:3D变形网络

引入了3DN，这是一种端到端网络，可使源模型变形以与目标相似，并与基于最先进学习的3D形状生成方法相比，生成更高质量的结果。

基于单幅图像的三维重建点集生成网络

本文解决了从单个图像进行3D重建的问题，生成了一种直接形式的输出无序，并设计了新颖有效的架构、损失函数和学习范式，能够从输入图像中预测多个看似合理的3D点云。

Pix2Surf：从图像中学习物体的参数化三维曲面模型

这项工作设计了能够生成高质量参数化3D曲面的神经网络，这些曲面在视图之间也是一致的，允许它们提升纹理信息来重建具有丰富几何和外观的形状。
...