شکل صفر: نتایج کیفی روش‌های مختلف و مطالعه ابلیشن ما

جدول پیوندها

چکیده و 1 مقدمه

2. کارهای مرتبط

3. روش و 3.1. معماری

3.2. ضرر و 3.3. جزئیات پیاده سازی

4. بررسی داده ها

4.1. مجموعه داده های آموزشی

4.2. معیار ارزیابی

5. آزمایش ها و 5.1. معیارها

5.2. خطوط پایه

5.3. مقایسه با روش های SOTA

5.4. نتایج کیفی و 5.5. مطالعه ابلیشن

6. محدودیت ها و بحث

7. نتیجه گیری و مراجع

الف. مقایسه کیفی اضافی

ب. استنتاج در مورد تصاویر تولید شده توسط هوش مصنوعی

ج. جزئیات مدیریت داده

5.4. نتایج کیفی

ما نتایج کیفی روش‌های مختلف را در شکل 5 نشان می‌دهیم. رویکردهای مولد مانند Point-E و Shap-E سطوح تیزتری دارند و شامل جزئیات بیشتری در تولید خود می‌شوند. با این حال، بسیاری از جزئیات توهم اشتباه هستند که به دقت تصویر ورودی را دنبال نمی کنند و سطوح قابل مشاهده اغلب به اشتباه بازسازی می شوند. رویکردهای مبتنی بر رگرسیون قبلی مانند MCC بهتر است از نشانه های ورودی در تصاویر ورودی پیروی کنند، اما توهم سطوح مسدود شده اغلب نادرست است.

مشاهده می‌کنیم که One2-3-45، OpenLRM و SS3D همیشه نمی‌توانند جزئیات و فرورفتگی‌ها را با دقت ثبت کنند. در مقایسه با هنرهای قبلی، بازسازی ZeroShape نه تنها به طور صادقانه ساختار شکل جهانی را به تصویر می کشد، بلکه به طور دقیق از نشانه های هندسه محلی از …