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 فرسایش
6. محدودیت ها و بحث
7. نتیجه گیری و مراجع
الف. مقایسه کیفی اضافی
ب. استنباط در مورد تصاویر تولید شده توسط هوش مصنوعی
ج. جزئیات مدیریت داده
5.2. خطوط پایه
ما پنج خط پایه پیشرفته را برای بازسازی شکل، SS3D در نظر می گیریم [4]، MCC [63]نقطه E [37]، Shap-E [22]، یک-2-3-45 [30] و OpenLRM [17, 18].
SS3D بازسازی شکل ضمنی را ابتدا با پیشآموزش در ShapeNet GT و سپس تنظیم دقیق تصاویر تکنمای دنیای واقعی میآموزد. تنظیم دقیق به روشی خاص انجام می شود و سپس یک مدل واحد واحد از همه متخصصان دسته بندی خاص تقطیر می شود. ما مدل خود را با مدل تقطیر نهایی آنها مقایسه می کنیم.
MCC بازسازی اشغال پوسته را با استفاده از ابرهای نقطه تخمینی چند نمایه از CO3D می آموزد [47]. مدل آنها عمق و ذاتی شناخته شده را در طول استنتاج فرض می کند. برای ارزیابی مدل آنها بر روی تصاویر RGB، از عمق تخمینی DPT و ذاتی ثابت به عنوان ورودی MCC به دنبال خط لوله آنها استفاده می کنیم.
نقطه-ای ابر نقطه ای است…