具有极端规模和密度多样性的点云可扩展表面重建
一种基于学习的视可见性面重建方法,使用 3D Delaunay 四面体化及基于图神经网络的分类方法识别点云中缺陷区域并生成表面模型的能量模型,以局部几何和视线可见性信息学习能见度模型,结合深度学习和能量模型的优点,优于当前公开的基于学习和非学习的表面重建算法。
Jul, 2021
本文提出一种基于学习的方法 (SSRNet) 用于大规模点云的曲面重构,该方法具备可伸缩性、较高的预测精度和泛化能力,仅需要几个曲面数据进行训练,且与现有学习方法相比在处理大型点云数据方面具有突破性进展。
Nov, 2019
本文提出了一种基于学习的框架,通过自适应地分析输入点云的局部几何结构,设计出轻量级神经网络来统一、排序插值权重以及高阶细化,从而生成具有密集点云的物体 / 场景,并处理非均匀分布和噪声数据,该方法于现实世界中的各种上采样因子都可运作,并在合成和实际数据上均获得了优于现有方法的表现。
Nov, 2020
通过深度学习技术,我们提出了一种新的架构 RESCAL3D,用于对点云进行分辨率可扩展的三维语义分割,该方法在实现极快的推断速度的同时,保持了较高的性能水平。
Apr, 2024
介绍了一种高效的方法,通过将大型 3D 点云的全景分割任务重新定义为可扩展的图聚类问题来进行。该方法可以仅使用本地辅助任务进行训练,从而在训练过程中消除了资源密集型的实例匹配步骤。此外,我们的方法可以轻松适应 superpoint 范例,进一步提高其效率。这使得我们的模型能够在单次推理中处理具有数百万个点和数千个对象的场景。我们的方法(SuperCluster)在两个室内扫描数据集(S3DIS Area 5 的 PQ 指标为 50.1(+7.8),ScanNetV2 的 PQ 指标为 58.7(+25.2))上实现了全景分割的最新性能。此外,我们还在两个大规模移动映射基准测试(KITTI-360 和 DALES)中取得了首个最先进的结果。我们的模型仅有 209k 个参数,比最佳竞争方法小 30 倍,训练速度最高提高 15 倍。我们的代码和预训练模型可在此 https URL 获取。
Jan, 2024
通过直接预测采样的点对之间线段与隐式表面的交点,本文提出了一种新的方法,既能够有效地表示开放表面,又能够消除网格中的伪影。在 ShapeNet、MGN 和 ScanNet 三个数据集上,我们的方法展示了最先进的性能。
Mar, 2024
提出了一种从无结构点云中重建网格的新框架,通过利用虚拟视图中三维点的可见性和基于传统图割的网格生成。与其他基于学习的方法相比,该方法只在二维二分类任务上进行学习,更加普适和实用。实验表明,在小型复杂物体上,该方法具有良好的可传递性和鲁棒性,并与最先进的学习方法相比具有竞争优势,并且在大型室内和室外场景中表现出色。
Aug, 2021
本文提出了一种处理多视图卫星图像生成 3D 数字表面模型的自动化流程,其中包括自动地地理参考和基于匹配生成高质量密集点云。通过学习样本 LiDAR 数据的关键配置,我们根据结果的接近程度对图像对进行排名,并使用自适应 3D 中值滤波器融合多个深度图。我们证明了提出的自适应中值滤波器通常比普通中值滤波器产生更好的结果,在最佳情况下达到了 0.36 米 RMSE 的精度提高。结果和分析被详细介绍。
May, 2019
本文研究了点云数据如何被有效和高效地投影到 2D 图像空间中,以便于利用传统的 2D 卷积神经网络进行分割,通过引入具有拓扑结构保持特性的图形处理方法,并使用分层逼近算法,结合 Delaunay 三角剖分技术和多尺度 U-Net 网络进行图像分割,取得了 ShapeNet 和 PartNet 的最新成果。
Mar, 2020