几何处理主要关注重建和分析3D物理世界中的物体和场景,可以广泛应用在医学诊断,建筑,医学图像,虚拟现实领域。3D模型能够更精确的描述物理世界,助力一些对稳定性更敏感的应用场景,同时也给算法设计带来更大的挑战。
讲者的工作主要是利用机器学习方法,从数据中寻找可以提升传统算法鲁棒性的途径,从而替代传统设计中需要人工手动设置的算法模块和参数,具体的工作涉及到重建,模型分析和生成等多个领域。 1. Learning Transformation Synchronization(Xiangru Huang, Zhenxiao Liang, Xiaowei Zhou, Yao Xie, Leonidas Guibas, and Qixing Huang)
这个工作主要关注如何更鲁棒的完成3D重建,我们第一次提出使用神经网络帮助判断帧与帧之间是否被合理的匹配,并将这个模块嵌入一个经典的几何处理算法中,基于神经网络的模块能提供更优秀的初始条件,达到提高信噪比的效果,使得算法更稳定和鲁棒。 2. Dense Human Correspondence between Human Bodies via Learning Transformation Synchronization on Graphs (Xiangru Huang, HAItao Yang, Etienne Vouga and Qixing Huang)
这个工作主要是解决点云人体数据的对应关系问题,我们提出使用局部刚性来优化和规约传统特征提取算法的输出,设计新的数据表示形式从而能更简洁高效的完成这个优化。 3. ARAPReg: An As-Rigid-As Possible Regularization Loss for Learning Deformable Shape Generators (Bo Sun, Xiangru Huang, Zaiwei Zhang, Junfeng Jiang, Qixing Huang, and Chandrajit Bajaj)
这个工作主要是关于3D shape generator,我们提出使用As-rigid-as-possible (ARAP)能量函数来优化shape space,使得generator能生成更合理的3D模型。
Talk·参考资料
这是本次分享中将会提及的资料,建议提前预习哦!
1. As-Rigid-As-Possible Surface Modeling
2. 3D-CODED : 3D Correspondences by Deep Deformation
3. Dense human body correspondences using convolutional networks