学习采样
本论文提出了一种基于逐层自适应体素引导的点采样器,能够以高效的方式处理大规模场景点云,实现实时应用,并通过实验验证了该方法的有效性和高效性。
May, 2023
该研究设计了 FPS-Net 网络,利用点云投影图像的不同特征进行多模态特征融合,旨在优化点云的分段。该网络的有效性在广泛实验中得到证明,可以实现优于现有方法的语义分割,并且引入的多模态融合思想也兼容于典型的投影方法。
Mar, 2021
我们提出了一种非参数网络,Point-NN,用于 3D 点云分析,可以作为构建 Parametric Networks 的基本框架,也可作为已训练的 3D 模型的插拔式模块,旨在为社区提供了解非参数方法处理 3D 点云的帮助。
Mar, 2023
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
本文提出一种神经网络模型(Supervised Primitive Fitting Network),此模型可以不需要用户干预就能够探测并鲁棒地拟合不同尺度和数量的几何体。相比于已有的 RANSAC-based 方法,该模型在测试中表现更好。
Nov, 2018
通过引入全局信息和各种约束机制,我们设计了一个基础框架来增强现有模型,同时采用基于置信度的策略选择合理样本进行公平且鲁棒的网络训练,并利用现有的定向方法纠正估计的非定向法线,在定向和非定向任务中实现了最先进的性能。广泛的实验结果证明了我们的方法对广泛使用的基准测试数据集表现良好。
May, 2024
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
本文提出了一种高效的基于点云的 3D 检测器 IA-SSD,利用可学习的面向任务的实例感知下采样策略分层选择感兴趣物体的前景点,进一步估计精确的实例中心,并采用仅编码器架构实现。大规模检测基准测试表明,该模型具有卓越的速度性能,能够以 80 个以上的速度在 KITTI 数据集上进行实时检测。
Mar, 2022