- 综合排序
- 最热优先
- 最新优先
- 来自专栏LET
谈谈3D Tiles(2)：数据结构
本节主要以Batched3DModel3DTileContent和Instanced3DModel3DTileContent两种类型，介绍一下3DTiles的数据结构和核心技术点。 3D Tiles也是基于状态，从UNLOADING开始，通过一系列的request，完成最初的数据加载过程，结束LOADING状态，进入Pocessing过程，也就是数据解析。 这里解释一下：3D Tiles中主要的数据部分就是glTF，而glTF也是基于状态管理的，无论是glTF的解析还是构造DrawCommand，只是state不同，都是在update方法中完成的。 如上是batchtable的内容，以及3d tiles给出的文档信息，其实batchtable就是一个json对象。 下次以个人的经验来谈一下3D Tile好和不好的部分，当作完结篇。
3.5K50发布于 2018-06-20 - 来自专栏Coco的专栏
快速构建页面结构的 3D Visualization
使用 CSS 构建 3D 可视化 DOM 结构视图 假设，我们首先随时实现一段 DOM 结构，其简单的代码如下：
<div class="g-header ; height: 50px; border: 1px solid #333; } } } 得到这样一个最多深度为 4 层的简单<em>结构</em> ： 而我们希望，快速看这个页面的 <em>3D</em> 深度图，像是这样： 又或者，可以使用类似于这样一种 Hover 的交互效果，实现 Hover 某一个 Div，展示出它当前的一个 <em>3D</em> 深度<em>结构</em>图，看看效果： 总的来说，我们的核心需求就是，无论页面的 DOM <em>结构</em>如何，深度如何，我们希望能够通过一种简单的处理（纯 CSS 实现），能够快速查看页面的 <em>3D</em> 深度<em>结构</em>视图。 这里我尝试的是，当前正在写作的 Github Issues 页面，看看效果： 当然，可能颜色没有搭配的特别好，但是要知道，整儿页面的 DOM <em>结构</em>是相当之复杂的。72820编辑于 2022-11-22来自专栏UDM Lab3D打印鞋的参数化结构设计
做为一名建筑从业者和3D打印的ID设计师对接时，发现鞋型内部构造的受力层次有不同密度要求，为此我对鞋型表皮模型分为不同的层级，以此调节满足不同位置的单元结构的密度和衔接过渡。 ? ? ? Intralattice提供的各种预设单元结构 第一步：把鞋型的整体结构理解为很多个立方体结构堆砌出来的，而这个立方体有支撑结构，例如上图的结构方式，我先把它命名为“第一能量级”。 ? 第二步：需要考虑连接结构的重叠因素，所以在第一个结构的内侧做一个结构去除，把重复的面连接杆去除掉（鞋沿的结构形态保留），我先把它命名为“能量转化级”。 ? 第五步：我们做第三层级的加密，把所有的结构组合在一起。 ? 第六步：最后使用IntraLattice把上述的结构填充在鞋型的上下面间填充起来。 ? 第七步：调整结构的成管的粗细，检查层级间衔接。 ? 在这基础上我们可以使用3D打印插件检查单个单元体密封问题，和整体模型单元密封问题。 ? 工作流一览 ? ? （下图是在网吧调模型） ?
1.8K40发布于 2020-04-21来自专栏有三AI【知识星球】3D网络结构解读系列上新
欢迎大家来到《知识星球》专栏，这两天有三AI知识星球专注更新3D相关的网络模型解读，共10期左右。3D网络在视频数据，点云图像，3D医学图像，光流估计等领域有重要的作用，是当前的一类主流模型。 作者&编辑 | 言有三 有三AI知识星球-网络结构1000变 PointNet ? 网络结构如下： ? 以上网络包含了两个重要的技术： (1) 使用maxpooling解决无序性问题。 以上是该方法和其他主流模型在3D形状数据集Model40上的分类结果，除了多视角模型之外，有较大的性能优势。 ? 上图展示的是Kinect数据集和Model40的分割结果。
92920发布于 2019-07-27来自专栏新智元解决3D重建难题，伯克利大学根据单张平面彩图重建高精度3D结构
【新智元导读】3D重建是计算机视觉中的一个核心问题，应用于电影制作、视频游戏的内容制作、虚拟现实和增强现实、3D打印，等等。 3D重建有许多应用，例如电影制作、视频游戏的内容制作、虚拟现实和增强现实、3D打印，等等。这篇文章探讨如何从单一的彩色图像重建高质量的3D几何图形，如下图所示： ? 我们双眼的结构让我们能够感知深度，并不需要理解3D几何。即使我们只看到一个物体的照片，我们也能对它的形状有很好的理解。此外，我们还能够理解例如物体背面的看不见的部分，这是了解物体形状的重要能力。 方法 基本的3D预测流程是将一张彩色图像作为输入，使用卷积编码器将其先编码为低维表示。然后，这个低维表示被解码称一个3D占用体积。 我们的研究的主要任务是根据单一的彩色图像预测出高分辨率的3D图形。
1.3K60发布于 2018-03-22来自专栏hightopo基于 HTML5 WebGL 的 3D 网络拓扑结构图
现在，3D 模型已经用于各种不同的领域。 电影行业将它们用于活动的人物、物体以及现实电影；视频游戏产业将它们作为计算机与视频游戏中的资源；在科学领域将它们作为化合物的精确模型；建筑业将它们用来展示提议的建筑物或者风景表现；工程界将它们用于设计新设备、交通工具、结构以及其它应用领域 于是我利用 HT For Web 中的 3D组件 来实现了一个小例子，用了 HT 中 3D组件 的大部分功能，做这个例子就是想把 3D 组件好好的掌握，尽量放进一个例子中，到时候别人有需要就可以参考了。 用 HT for Web，现有的 3d 模板创建三层底板不是问题，问题是要如何将图中第一层的“电脑”和“机柜组件”放上去？ 我一开始直接使用了 3d 模型中封装好的函数，导致后来根本不知道函数中使用的参数是做什么用的，而且也不明白 3d 模型是怎么构成的，然后自己又重新看了前面的“模型基础”，才知道原来 3d 模型采用的一个面
1.9K20发布于 2018-07-063DToMolo：基于文本与3D结构的分子优化框架
最近，来自中国科学院、华为等机构的研究团队提出了一种创新方法——3DToMolo（3D Text-oriented Molecular Optimization）。 这一框架结合了深度学习与高精度数据的优势，能够通过自然语言提示生成符合目标特性的分子结构。 3DToMolo的核心在于其对2D拓扑结构和3D构象的联合优化能力，并且能够在多种约束条件下实现灵活调整。 然而，现有方法往往存在以下问题： • 缺乏对3D结构信息的有效利用； • 无法灵活整合多模态知识（如文本描述与分子结构）； • 在优化过程中容易丢失关键子结构信息。 • 2D+3D联合表示：框架采用SE(3)-等变图变换器对分子的2D拓扑结构和3D坐标进行编码，保留了分子的空间信息和化学键关系。 3DToMolo 需要对分子的 2D 和 3D 特征进行整体优化，确保与输入分子和文本提示达到平衡对齐，这由条件扩散模型实现，如图 b 所示。 d. 结构约束下的分子优化。
21910编辑于 2026-01-08来自专栏hightopo基于HTML5和WebGL的3D网络拓扑结构图
现在，3D模型已经用于各种不同的领域。 电影行业将它们用于活动的人物、物体以及现实电影；视频游戏产业将它们作为计算机与视频游戏中的资源；在科学领域将它们作为化合物的精确模型；建筑业将它们用来展示提议的建筑物或者风景表现；工程界将它们用于设计新设备、交通工具、结构以及其它应用领域 于是我利用HT For Web中的3D组件来实现了一个小例子，用了HT中3D组件的大部分功能，做这个例子就是想把3D组件好好的掌握，尽量放进一个例子中，到时候别人有需要就可以参考了，但是因为之前从来没有实现过 我一开始直接使用了3d模型中封装好的函数，导致后来根本不知道函数中使用的参数是做什么用的，而且也不明白3d模型是怎么构成的，然后自己又重新看了前面的“模型基础”，才知道原来3d模型采用的一个面，最基础的是三角面 想让2d图片在3d管线上移动则是使用g3d.toViewPosition(position)来获取3d模型的二维坐标，这个函数中的参数就是三维模型的3d坐标，我们可以直接将polyline管线上的点传入
1.6K30发布于 2018-07-09来自专栏量子位谷歌新论文：教机器人预测3D结构、然后抓取物体
然而，由于存在高维状态空间、很难创建大规模数据集和很难关注到物体外观的多类变化信息（如几何结构、材质、纹理和照射度等），因此学习此类交互表征十分具有挑战性。 我们论证了物体3D几何结构是抓取交互的研究核心，并提出一种称为几何感知学习智能体（geometry-aware learning agent）的新概念。 本文的核心思想是通过3D几何学预测来约束和规范交互学习。 模型结构 ? △ 几何感知编码器-解码器网络示意图 本文所构建的几何感知编码器-解码器网络包含两个部分，分别是3D形态生成网络（生成功能）和抓取结果预测网络（预测功能）。 实验 下图从直观层面和内在信息流两个角度简单介绍了3D形态预测的流程图。 ? △ 3D形态预测流程图 论文传送门： https://arxiv.org/pdf/1708.07303.pdf
85840发布于 2018-03-27来自专栏钱塘大数据钱塘号丨3D打印技术对于供应链结构的影响
但3D打印的兴起或许会使供应链理念和结构发生变革。因为3D打印蕴含着很多优化企业的战略资源的潜能，尤其在供应链结构上有一定的影响作用。 接下来，小编就和大家一起探讨3D打印技术在供应链结构中到底有着怎样的影响？ 具体来说：目前正在使用或试用3D 打印技术的占26％ 计划在两年内投资于3D打印技术的，占39％计划在未来2 至5 年投资于3D打印技术的，占25％；在未来5 年内不打算投资于3D 打印技术，占10％。 3D打印技术对航空零备件供应链的影响 ①3D打印技术进一步简化了航空零备件供应链 在航空零部件制造领域，空客公司通过3D 打印技术的有效实施，成功的制造出了超过为数1000 个的飞机零部件，而且全部都在 来源：钱塘号 3D打印者之家
1K70发布于 2018-03-02来自专栏HT基于HTML5和WebGL的3D网络拓扑结构图
现在，3D模型已经用于各种不同的领域。 电影行业将它们用于活动的人物、物体以及现实电影；视频游戏产业将它们作为计算机与视频游戏中的资源；在科学领域将它们作为化合物的精确模型；建筑业将它们用来展示提议的建筑物或者风景表现；工程界将它们用于设计新设备、交通工具、结构以及其它应用领域 于是我利用HT For Web中的3D组件来实现了一个小例子，用了HT中3D组件的大部分功能，做这个例子就是想把3D组件好好的掌握，尽量放进一个例子中，到时候别人有需要就可以参考了，但是因为之前从来没有实现过 我一开始直接使用了3d模型中封装好的函数，导致后来根本不知道函数中使用的参数是做什么用的，而且也不明白3d模型是怎么构成的，然后自己又重新看了前面的“模型基础”，才知道原来3d模型采用的一个面，最基础的是三角面 想让2d图片在3d管线上移动则是使用g3d.toViewPosition(position)来获取3d模型的二维坐标，这个函数中的参数就是三维模型的3d坐标，我们可以直接将polyline管线上的点传入
2.3K50发布于 2018-01-03来自专栏我爱计算机视觉nnFormer (Not-aNother transFORMER): 基于交叉Transformer结构的3D医疗影像分割网络
其中大部分结果表明，在CNN中合适的位置嵌入类Transformer的结构，可以有效地提升网络的性能。 CNN中； ii）直接使用纯Transformer结构进行处理。 如上图所示，nnFormer是由厦门大学&香港大学提出的一种基于交叉式结构的Transformer模型，主要用来处理医学影像分析中的3D影像分割问题。目前文章、代码和模型均已放出。 言归正传，如图1所示，nnFormer的主干结构包含了三部分的内容。第一部分是一个四层的卷积结构，主要用来将输入的影像转化为网络可以处理的特征。 经过卷积结构处理之后的特征会送入到Transformer blocks之中。
2K10发布于 2021-09-27来自专栏软件绿色联盟动态3D数据格式标准获批立项，覆盖3D文件格式基本结构、适配多种渲染引擎接口等方面
3D模型数据是3D场景渲染的关键技术，是支撑3D、游戏、XR业务基础能力。 由于目前业界用于生产3D内容工具平台较多，均采用不同的文件格式存储，导致3D模型数据格式无法统一，有超过70种不同文件格式的3D数据，服务于不同目的和应用案例。3D格式统一化更有利于产业的效率提升。 本次标准主要覆盖范围 1.定义统一3D数据格式基本结构，以及高效编辑、存储以及解析的基本特性和实现要求； 2.定义可快速完成数据加载特性及实现要求； 3.定义可以适配多种渲染引擎的接口，实现不依赖引擎 ，除渲染和动画外，没有任何其他运行行为，均可以使用的3D模型数据格式； 4.定义完整的3D场景：除了单个模型外，包括整个3D场景（节点、变换、网络、材质、交互、相机和动画等）； 5.定义可扩展的属性，支持自定义扩展 本次立项的3D数据格式标准针对3D文件格式基本结构、适配多种渲染引擎的接口、3D场景等方面都做出了清晰厘定，将有效解决3D数据格式无法统一的问题，极大地推动行业标准水平的提升，推动我国XR产业高质量发展
82230编辑于 2022-03-31来自专栏CNNer开源 | CVPR2020 3D物体固有结构点的无监督学习
中国香港大学 论文名称：Unsupervised Learning of Intrinsic Structural Representation Points 原文作者：Nenglun Chen 学习三维形状的结构信息是计算机图形学和几何处理领域的一个基本问题 本文提出了一种简单但可解释的无监督方法，以三维结构点的形式来学习新的结构表示法。该方法对固有的形状结构进行3D点结构编码，并在具有相似结构的所有形状实例中显示语义一致性。是以往方法没有完全实现的。 具体来说，该方法采用3D点云作为输入，并将其编码为一组局部特征。然后将局部特征通过一个新的点集成模块生成一组三维结构点。利用倒角距离作为重构损失，保证结构点靠近输入点云。 与此同时，建立在一致结构点上的，基于PCA的形状嵌入算法在保持形状结构方面表现出良好的性能。 下面是论文具体框架结构以及实验结果： ? ? ? ? ? ? ? ? ? ? ? ? ? ?
56120发布于 2020-06-19IDFlow：基于能量驱动幂等流映射的 3D 分子结构生成方法
在结构生物学与药物研发领域，3D分子结构生成始终是核心难题——从蛋白质对接预测到全新蛋白质设计，精准的分子构象建模直接决定了药物效用评估、酶功能优化等关键任务的成败。 近期，来自瑞典皇家理工学院、斯德哥尔摩大学等机构的团队在arXiv上发表的《Energy-Based Flow Matching for Generating 3D Molecular Structure 生成的蛋白质骨架采用非冗余拓扑结构，且同时包含 α- 螺旋与 β- 折叠两种关键二级结构，与天然蛋白质的结构多样性特征相符。 这一结果直接佐证了 IDFlow 的优势 —— 区别于 FoldFlow2 等基线模型易 “结构坍塌”（仅生成螺旋结构）的问题，IDFlow 能生成符合天然蛋白质结构规律的多样化构象，且所有展示构象均通过 参考文献 论文： Energy-Based Flow Matching for Generating 3D Molecular Structure 代码： https://github.com/CaviarLover
42410编辑于 2026-01-08来自专栏媒矿工厂CVPR 2024 | Scaffold-GS：自适应视角渲染的结构化 3D 高斯
近年来，3D 高斯溅射（3D-GS）实现了最先进的渲染质量和速度。该方法从运动结构（SfM）产生的点云初始化，优化了一组 3D 高斯点，同时通过将 3D 高斯点投影到 2D 图像平面上来实现光栅化。 但它往往会过度扩展高斯点以适应每个训练视图，从而忽略了底层的场景结构，这会导致严重的冗余并限制其可扩展性，特别是在复杂的大规模场景中。 为了解决这一问题，作者提出了 Scaffold-GS，利用锚点来建立分层和区域感知的 3D 场景表示。首先构建了一个从SfM 初始点的锚点稀疏网格。 Scaffold-GS 利用场景结构来引导和约束 3D 高斯的分布，同时允许它们局部适应不同的视角和距离。作者进一步引入锚点相应的致密和修剪操作，以增强场景覆盖范围。 方法 图 2.Scaffold-GS的框架 Scaffold-GS 使用具有层次结构的锚点表征场景。锚定在初始点的稀疏网格上，从每个锚点生成一组神经高斯，以动态适应各种视角和距离。
3.2K11编辑于 2024-05-20来自专栏新智元MIT最新研究：新算法通过学习折纸模型，生成任意3D结构
1999 年，18 岁的滑铁卢大学博士生 Erik Demaine 发表了一篇论文，描述了一种算法判断如何将纸折叠到任何想象到的 3D 形状。 最后，实现折纸的额外‘flash’结构隐藏在内部，因此看不见。”
2.1K120发布于 2018-03-28来自专栏智能生信 用序列模型从染色体角度来预测3D基因组结构
modeling of three-dimensional genome architecture from kilobase to chromosome scale 论文摘要 为了更好的学习基因序列如何影响3D 结构，本文提出了一个基于序列的深度学习方法，Orca。 Orca能够捕捉到基于序列的结构，比如CTFT，enhancer-prompter等等。Orca还有多种应用，比如预测结构变异以及结构变异的影响。
46930编辑于 2022-12-29来自专栏深度学习和计算机视觉2D线扫描相机与3D结构光视觉测量系统的融合
“ 本文提出了一种获取高分辨率的三维视觉信息的方法，主要通过融合结构光视觉测量系统获得的三维信息和二维线扫描相机拍摄的高分辨率图像。 在这些方法中，由面阵相机和结构光组成的结构光三维视觉测量系统具有结构简单以及图像处理信息量少、精度高等优点。 原理 首先我们设计了一种2D/3D复眼系统，如图1所示，两相机具有固定的空间关系和相近的视野范围。通过机械结构使二维线扫描相机的视平面与结构光光平面共面。 最后我们可以基于单应性矩阵由结构光光条中心的图像像素坐标计算得到目标表面在结构光视觉系统坐标系中的三维坐标。 换而言之，我们可以配准三维信息和二维图像，并找到二维相机和结构光视觉系统拍摄得到的公共视图区域。
2.2K50编辑于 2022-09-28来自专栏翩翩白衣少年一款很Nice的3D生成工具，包括文生3D、图生3D、3D生3D等众多功能！
它不仅可以整合现有模型，还提供了全功能 Demo UI 体验，让你轻松实现文本到 3D、图像到 3D、3D 到 3D 文字编辑和材质重构等多种操作！ 无需繁琐的训练，MVEdit 就能够快速生成高质量的3D物体，并提供全功能的UI界面，包含了诸如text to 3D、image to 3D、3D to 3D文字编辑和材质重构等功能。 生成：利用现成的 2D 稳定扩散模型，MVEdit 能够生成具有高质量纹理和结构的 3D 生成物。 • 多功能 demo UI：提供包括文本到 3D、图像到 3D、3D 到 3D 文字编辑和材质重构等全功能演示界面。 • 快速推理：仅需 2-5 分钟的推理时间，在质量和速度之间达到了出色的平衡。 • 通用性和灵活性：能够处理多种 3D 任务，如不同类型的车辆、篮球运动员、机器人等的图像到 3D 转换和文本引导的 3D 到 3D 编辑。 使用方法 1.
1.6K10编辑于 2024-03-25
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号