通过图形快速重采样三维点云
提出了一种基于重建评分策略的采样方法,通过去除和重建顶点来评估每个顶点的重要性。此方法在保留点云整体几何特征的同时避免破坏小尺度结构,在保留采样点云的结构特征方面优于先前方法。
Mar, 2024
本文提出了一种新颖的深度学习方法,通过两个步骤(特征融合和形变)将随机点云变形成对象形状,从而重建单张图像的点云。通过引入一个新层 GraphX,考虑点之间的相互关系,操作无序集合。这个模型还可以生成任意大小的点云,验证了在单图像 3D 重建上超越了现有模型并将其分数减半。
Nov, 2019
本文提出了一种基于 Frequency-Selective Mesh-to-Mesh Resampling 的插值方案,用于三维彩色点云的升级,该方案在各种采样密度下表现出高性能。
Mar, 2022
本文提出了一种基于深度神经网络的数据驱动算法,使用 Chamfer 距离作为损失函数对 3D 散点云进行上采样,该算法不需要硬编码规则,并能够学习属于不同对象类别的点云的潜在特征,实验结果表明,相比基于优化的上采样方法,该算法能够生成更加均匀和精确的上采样结果。
Jul, 2018
本文提出一种可扩展且健壮的方法,通过多视点三维立体点云计算三维表面网格,能够处理点密度极大跳跃,用于提取表面假设和合并表面假设,具有卓越的精度和完整性。
May, 2017
本研究提出了一种新的方法,使用特定设计的图卷积网络以及结合动态边卷积和图注意力网络,实现对经过重压缩的 3D 视频点云数据的提升和恢复,同时通过更少的参数达到可比较的重建质量,适用于例如自动驾驶中使用的 LiDAR 等边缘计算设备。
Jun, 2023
本文提出了一种用于聚类属性和图数据的通用框架,该框架能够探索特征和结构之间的相互作用,并具有图过滤和采样策略等优势,同时在属性和图基准测试上的实验证明了其优越性。
May, 2022
该研究提出一种支持任意上采样率的点云高精度上采样方法,包括插值和迭代优化等步骤,经过大量的基准测试和下游任务的验证,表明该方法达到了最先进的准确性和效率。
Apr, 2023