P2P-NET:双向点位移神经网络用于形状变换
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
该论文提出了一种名为 P2B 的网络,通过在嵌入了目标信息的 3D 搜索区域中定位潜在的目标中心,执行基于点的 3D 目标候选提议和验证。使用 Hough 投票回归潜在目标中心,利用 PointNet++ 作为骨干网,证明了该方法在 KITTI 跟踪数据集上的优越性。
May, 2020
本文提出了一种基于深度神经网络的方法 PUGeo-Net 用于处理点云密集化,从而描述底层几何结构,不仅可用于 CAD 模型的尖锐特征,也可用于具有丰富几何细节的扫描模型,同时实现了生成定点坐标和该点法线并存的任务。
Feb, 2020
本文提出了一种基于数据驱动的方法来解决点云配准问题,通过增加姿态变换描述符的相对姿态估计网络来实现对于全球配准的转换线索,然后通过假设和验证算法来快速使用预测进行对齐,实验表明这种方法在点云配准问题上的表现超过了现有技术。
Apr, 2019
BPnP 是一种全新的网络模块,可以在神经网络的参数更新过程中通过将反向传播的梯度通过透视 n 点(PnP)求解器引导,从而将深度学习和几何视觉进行无缝结合。
Sep, 2019
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
本研究通过使用 PointTriNet 模型,基于局部几何数据,使用一个分类网络和一个提议网络,生成一组点的三角剖分,实现了一个不需要监督训练的,可扩展的三维几何形态学习方法。
Apr, 2020
该论文介绍了一种基于神经网络的点集配准方法 PR-Net,该方法通过学习训练数据集中的点集的形状描述符,预测了点集之间的空间变换,以最优的方式配准点集,具有较强的鲁棒性,并可以应用于非刚性配准,对于新的点集配准,可以直接使用训练好的模型预测所需的变换。
Apr, 2019
本文提出了一种用于点云补全和上采样的新型神经网络 PMP-Net++,该网络通过点云的形变过程实现补全。 Transformer-enhanced representation learning 可以进一步提高 PMP-Net++ 的性能。
Feb, 2022
提出一种双向投影网络(BPNet),它包括 2D 和 3D 子网络,通过双向投影模块允许这两个视觉领域之间的互动,实现更好的场景识别。该算法在 2D 和 3D 语义分割方面,取得了 ScanNetV2 基准的最佳性能。
Mar, 2021