3D компьютерное зрение

Достижения в области компьютерного зрения в значительной степени связаны с применением методов глубокого обучения. Сложность 3D-реконструкции объектов и сцен состоит в том, что одни и те же 3D-данные могут быть представлены самыми разнообразными способами, такими как сетки, воксели, облака точек. Классические методы машинного обучения требуют наличия размеченных наборов данных, которые часто недоступны. Использование генеративных состязательных нейронных сетей позволяет проводить обучение на непарных данных.

Центр искусственного интеллекта

Индустриальные компетенции

Построение высокодетальных цифровых 3D-моделей

Реконструкция сложных 3D-объектов по серии фотоснимков

Моделирование 3D-объектов сложных форм для использования в 3D-печати

Прямая оптимизация геометрии сцены с использованием нейросетевого рендеринга

Построение 3D-модели лица человека

3D-реконструкция сцены с использованием геометрических признаков среднего уровня

Построение моделей помещений и объектов с фотореалистичной текстурой

Детектирование 3D-объектов в сложных условиях

Детектирование объектов для самоуправляемых автомобилей

Детектирование объектов в условиях неполных и нечётких данных

Суперразрешение 3D-объектов

Суперразрешение изображений в условиях непарных данных

Суперразрешение глубины

3D-реконструкция прозрачных объектов

R&D проекты

Суперразрешение изображений с использованием машиннного обучения на непарных данных

Байесовские методы обучения генеративных моделей и их приложения

Построение высокоплотной 3D модели позы человека по 2D изображениям

Создание комплексного набора данных со сценами разных масштабов для моно-, стерео- и многоракурсных камер, а также их объединения с сенсором глубины

Улучшение 3D-реконструкции сцены с использованием геометрических признаков среднего уровня

Сверхразрешение глубины одного изображения на основе восприятия

Реконструкции поверхности с помощью построения локальных полей направлений на дискретных представлениях поверхностей трёхмерных объектов