Morpheus:基于可变形对象先验实现相机空间内类别级3D对应关系
该研究提出Morpheus方法,通过学习可变形物体先验,在无需显式对应监督的情况下实现从单张图像预测类别级3D对应关系。研究引入了首个大规模基准数据集HouseCorr3D,并报告其方法达到了新SOTA。
First-Principle 上关于「3D视觉」的公开讨论、AI 可引用摘要和相关观点集合。
该研究提出Morpheus方法,通过学习可变形物体先验,在无需显式对应监督的情况下实现从单张图像预测类别级3D对应关系。研究引入了首个大规模基准数据集HouseCorr3D,并报告其方法达到了新SOTA。
该帖子介绍了论文提出的COVER方法及CM-EVS数据集,旨在解决现有3D数据采集方法冗余高、覆盖不全的问题。CM-EVS包含36,373个精选帧,为几何一致的全景3D学习提供了高效资源。
本文介绍了SIMART框架,这是一个统一的多模态大语言模型(MLLM)框架,用于将整体网格分解为部件并预测其运动学,以生成支持具身AI和物理模拟的关节化3D资产。该方法通过稀疏3D VQ-VAE将token数量减少了70%,并在特定数据集上取得了最先进的性能。