Oct, 2017

PCPNET: 从原始点云学习局部形状属性

PDF
TL;DR本文提出了一种基于深度学习的点云局部三维形状属性估计方法 PCPNet，采用基于 patch 的学习方法，结合多尺度编码，能在强噪声和多尺度特征的情况下更好地估计法线及曲率等局部形状信息。我们的方法在结构化三角网格训练数据上训练，可以在处理噪声点云时得到比现有技术更好的结果，并成功在形状重构方面得到应用。
pcpnetdeep-learninglocal shape informationpatch-based learning methodshape reconstruction
发现论文，激发创造
  • PointCleanNet：学习从稠密点云中去噪和去除异常值

    本文介绍一种基于深度学习的点云去噪方法，可以对噪声和离群点进行有效的处理，并且能应用于大规模点云数据的处理中，实验表明该方法可以有效提高 3D 重建的稳健性。

    Jan, 2019

  • PU-Net: 点云上采样网络

    本文提出了一种数据驱动的三维点云上采样技术，通过在特征空间中隐式地学习多层次特征并扩展点集，进而构建高密度点集，并在表面均匀分布的基础上实现采样点的重构，实验结果表明该方法的优越性。

    Jan, 2018

  • PCPNet：一种用于点云预测的高效语义增强变换网络

    本文提出一种新的高效 Transformer-based 的点云预测网络，并设计了语义辅助训练策略来对未来的 LiDAR 点云进行预测，该方法是完全自监督的，并且在预测结果和语义相似性上表现出超越最先进的 PCP 方法的性能，具有良好的实时性能。

    Apr, 2023

  • SoftPoolNet: 点云完形与分类的形状描述器

    本文提出了基于点云的 3D 对象完成和分类方法，其中引入了一种称为软池化的提取特征的新方式和区域卷积的解码器阶段，该方法可与许多点云架构（如 AtlasNet 和 PCN）结合使用，并在物体完成和分类等 3D 任务上取得了最新的准确性

    Aug, 2020

  • PPFNet: 全局上下文感知的局部特征用于强健的三维点匹配

    本文提出 PPFNet——Point Pair Feature 网络，用于深度学习全局细节感知的三维局部特征描述符，以在无组织的点云中找到对应点。通过在纯几何图形上学习本地描述符，并高度关注全局上下文，实现 3D 表示为点对特征及局部邻域内的点和法向量的组合，并使用新型 N-tuple loss 和架构将全局信息自然地注入本地描述符中，实现量化和定性评价，证明了上述方法在 3D 描述符提取性能中的作用。

    Feb, 2018

  • 基于 Transformer 的表面法向量估计

    使用 Transformer 从带有噪声和密度变化的点云中准确预测法线，在合成形状数据集 PCPNet 和真实世界室内场景数据集 SceneNN 上实现了最先进的性能，表现出更强的抗噪性和显著更快的推理速度，同时证明了现有工作中的复杂手工设计模块在表面法线估计任务中并非必需。

    Jan, 2024

  • LPD-Net：大规模场景识别和环境分析的 3D 点云学习

    本文提出了一种名为 LPD-Net 的深度神经网络，它可以从原始 3D 点云数据中提取判别性和可推广性的全局描述符，用于解决基于点云的识别任务，并与 PointNetVLAD 和基于视觉的解决方案进行了比较。

    Dec, 2018

  • PCRNet: 使用 PointNet 编码的点云配准网络

    该论文提出了一个新框架，利用 PointNet 表征对齐点云和执行注册，以实现跟踪，3D 重建和姿态估计等应用，能够根据点云的形状信息生成特定形状或通用的方法，并具有噪声和数据初始化错位的鲁棒性。

    Aug, 2019

  • PointNet：基于点集的深度学习用于三维分类和分割

    本文提出 PointNet 网络，通过直接消耗点云数据并尊重其排列不变性，实现了一个统一的架构，可用于物体分类、局部分割和场景语义解析等多种应用，并在理论和实验方面都有较好表现。

    Dec, 2016

  • 利用核相关和图池化挖掘点云局部结构

    本文提出了两个新的操作，帮助 PointNet 更高效地利用局部结构以提高 3D 点云的语义学习效果，并通过实验证明，我们的模型可以捕获局部信息并在主要数据集上表现更好。

    Dec, 2017