【泡泡一分钟】基于生成对抗网络的交互式三维建模方法(3dv-33)

2018 年 1 月 18 日 泡泡机器人SLAM 泡泡一分钟

每天一分钟,带你读遍机器人顶级会议文章

标题:Interactive 3D Modeling with a Generative Adversarial Network

作者:Jerry Liu     Fisher Yu     Thomas Funkhouser

They are from  Princeton University

来源:3dv 2017 ( International conference on 3d vision 2017

播音员:朱英

编译:王少博 周平

欢迎个人转发朋友圈;其他机构或自媒体如需转载,后台留言申请授权


摘要

     

       我们提出使用生成对抗网络(GAN)来协助完成三维图像设计,这一设计只需要通过一个简单的交互界面。使用者就像在游戏“我的世界”中一样,编辑三维栅格像素点。它可以在任意时间执行SNAP命令,以使得将原本粗糙的模型转变为期望的形状,这些粗糙模型可以被编译以及执行SNAP命令直到满足期望的结果。这种方法的好处是,它可以协助初学者在仅给出特定的原始数据时能够创建三维模型的特征。我们的主要贡献是围绕3D-GAN传建一个适合的投影算子,它将任意的三维空间像素点输入到一个潜在的向量,该算子可将这些像素映射为相似的形状。实验证明我们的方法可以像期望的那样用于计算机辅助的交互式三维模型重建。


       下图是一个典型的编辑序列,用户可以在描绘三维像素点和执行SNAP命令之间来回切换,对与每一SNAP命令,系统将当前的形状投影为经由GAN学习的多样式图形并同时将这一图形同步到发生器网络。

       文中做了许多实验,以此来说明借助GAN的交互式建模工具对初学者来说十分有用。实验中采用了ShapeNet Core55数据集并对其进行了扩展。我们使用了椅子、飞机和桌子等不同种类的物体进行建模实验,结果如下图所示:


原文摘要:

 

We propose the idea of using a generative adversarial network (GAN) to assist users in designing realworld shapes with a simple interface. Users edit a voxel grid with a Minecraft-like interface. Yet they can execute a SNAP command at any time, which transforms their rough model into a desired shape that is both similar and realistic. They can edit and snap until they are satisfied with the result. The advantage of this approach is to assist novice users to create 3D models characteristic of the training data by only specifying rough edits. Our key contribution is to create a suitable projection operator around a 3D-GAN that maps an arbitrary 3D voxel input to a latent vector in the shape manifold of the generator that is both similar in shape to the input but also realistic. Experiments show our method is promising for computer-assisted interactive modeling。


如果你对本文感兴趣,想要下载完整文章进行阅读,可以关注【泡泡机器人SLAM】公众号(paopaorobot_slam)


在【泡泡机器人SLAM】公众号(paopaorobot_slam)中回复关键字“3dv-33”,即可获取本文下载链接。

泡泡机器人SLAM的原创内容均由泡泡机器人的成员花费大量心血制作而成,希望大家珍惜我们的劳动成果,转载请务必注明出自【泡泡机器人SLAM】微信公众号,否则侵权必究!同时,我们也欢迎各位转载到自己的朋友圈,让更多的人能进入到SLAM这个领域中,让我们共同为推进中国的SLAM事业而努力!

商业合作及转载请联系liufuqiang_robot@hotmail.com

登录查看更多
8

相关内容

3DV(3D视觉)会议提供了一个绝佳的平台,用于传播研究结果,涵盖计算机视觉和图形3D研究领域的广泛主题,包括新型光学传感器,信号处理,几何建模,表示和传输,可视化和交互以及各种应用程序。 官网地址:https://dblp.uni-trier.de/db/conf/3dim/
基于深度学习的表面缺陷检测方法综述
专知会员服务
93+阅读 · 2020年5月31日
专知会员服务
61+阅读 · 2020年3月4日
【MIT深度学习课程】深度序列建模,Deep Sequence Modeling
专知会员服务
77+阅读 · 2020年2月3日
【泡泡一分钟】基于表面的自主三维建模探索
泡泡机器人SLAM
9+阅读 · 2019年9月10日
【泡泡一分钟】基于运动估计的激光雷达和相机标定方法
泡泡机器人SLAM
25+阅读 · 2019年1月17日
【泡泡一分钟】无参相机标定
泡泡机器人SLAM
3+阅读 · 2018年11月7日
【泡泡一分钟】用于深度双目的非监督适应方法(ICCV-2017)
泡泡机器人SLAM
10+阅读 · 2018年10月7日
【泡泡一分钟】基于紧凑模型表示的三维重建(3dv-12)
泡泡机器人SLAM
10+阅读 · 2017年12月7日
Monocular Plan View Networks for Autonomous Driving
Arxiv
6+阅读 · 2019年5月16日
Physical Primitive Decomposition
Arxiv
4+阅读 · 2018年9月13日
Arxiv
8+阅读 · 2018年5月1日
Arxiv
10+阅读 · 2018年2月17日
VIP会员
相关资讯
【泡泡一分钟】基于表面的自主三维建模探索
泡泡机器人SLAM
9+阅读 · 2019年9月10日
【泡泡一分钟】基于运动估计的激光雷达和相机标定方法
泡泡机器人SLAM
25+阅读 · 2019年1月17日
【泡泡一分钟】无参相机标定
泡泡机器人SLAM
3+阅读 · 2018年11月7日
【泡泡一分钟】用于深度双目的非监督适应方法(ICCV-2017)
泡泡机器人SLAM
10+阅读 · 2018年10月7日
【泡泡一分钟】基于紧凑模型表示的三维重建(3dv-12)
泡泡机器人SLAM
10+阅读 · 2017年12月7日
Top
微信扫码咨询专知VIP会员