PU-Net: 点云上采样网络
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
提出了一种自监督的点云上采样方法 SPU-Net,该方法利用深度学习模型和 GCN 捕获点云上采样的内在模式,具有解决真实数据稀疏问题的能力。实验表明,该方法与现有的监督方法相比具有可比性能。
Dec, 2020
最近,基于点云的任意尺度上采样机制因其在实际应用中的效率和便利性而越来越受欢迎。为了解决从稀疏点云学习表面表示所面临的挑战,我们提出了一种使用基于体素网络的任意尺度点云上采样框架(PU-VoxelNet)。通过利用体素表达的完整性和规律性,体素网络能够提供预定义的网格空间来近似三维表面,并根据每个网格单元内的预测密度分布重建任意数量的点。进一步,为了改善细节,我们提供了一种辅助训练监督方法,以强制实现局部表面块之间的潜在几何一致性。广泛的实验证明,所提出的方法在固定上采样率和任意尺度上采样方面都优于现有技术。
Mar, 2024
本论文介绍了一种基于 transformer 模型的多头自注意力结构和位置融合块的点云上采样方法,并通过定量和定性的对比实验证明了其优越性能。
Nov, 2021
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
3D 传感器获取的点云通常稀疏且嘈杂,点云上采样是一种提高点云密度以恢复详细几何信息的方法。本文提出了一种用于点云上采样的双重背投影网络(DBPnet)。通过采用上下上的方式进行双重背投影,网络不仅对特征残差进行反投影,还对坐标残差进行反投影,从而更好地捕捉特征和空间域中的点关联性,并在均匀和非均匀稀疏点云上实现较低的重构误差。我们的方法也适用于任意上采样任务(例如 4 倍,5.5 倍)。实验结果表明,该方法在与基准点集匹配损失方面实现了最低值。此外,我们方法的成功也证明了非均匀点云不一定需要生成网络。
Jul, 2023
本研究提出了一种基于深度神经网络的点集上采样方法,通过层级渐进式地使用级联的基于 path 的上采样网络训练,优化各级别的细节并提供一系列架构设计改进,以实现对于低分辨率点云输入的高保真细节重建。在定性和定量实验中,本方法在处理低分辨率输入和揭示高保真度细节方面,均显著优于现有的基于学习和优化的方法。
Nov, 2018
最近深度学习点云上采样方法在改善自动驾驶系统的输入方面取得了进展,但仍然存在由于端到端学习导致的更密集点生成的不确定性问题。本文提出了一种基于射线的任意倍率上采样方法,通过隐式表面学习来模拟射线行进算法,实现更精确和稳定的射线深度预测。中点查询采样方法基于规则,能够在不需要使用 Chamfer 距离损失函数进行模型训练的情况下实现均匀的输出点分布。准确的输入点云内的真实地面信息使得自我监督学习成为可能。通过有限的计算资源和训练数据,结果证明了该方法在不同领域和训练场景中的多功能性。这使得上采样任务从学术研究过渡到实际应用。
Oct, 2023
该研究针对 3D 扫描时获得的稀疏、非均匀和嘈杂点云,提出了一种基于多目标的两级级联网络,包括稠密生成器和空间细化器,能够生成密集的均匀点集,同时修补小洞并调整每个点的位置,结果表明该方法优于现有技术。
Jun, 2021
本文提出了一种基于生成对抗网络(GAN)模型的新的点云上采样网络 PU-GAN,能够从潜在空间中学习到丰富的点分布并通过误差反馈和自校正实现对物体表面上的点的上采样,并通过鉴别器学习更多潜在模式以增强输出点的分布均匀性。定量和定性评估表明,PU-GAN 在分布均匀性、与物体表面的接近度以及三维重建质量方面,优于同类方法。
Jul, 2019