全息降噪:无监督学习三维点云清理
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
提出了一种自我监督学习方法,利用点云数据来预训练深度神经网络用于对象分类和语义分割,从而在减少监督样本数量方面提高样本效率。该方法不需要特定的网络体系结构,并且在下游的对象分类任务中优于当前无监督学习方法。
Jan, 2019
提出了一种无监督方法来生成带有细微结构的 3D 点云,使用自适应采样来不规则地采样 2D 轮廓图像中的点,从而解决不同视角采样的一致性问题,使用 2D 投影匹配方法和深度神经网络,学习精确的结构信息,从而使其能够恢复细节丰富的 3D 结构,其表现优于其他相关基准算法。
Aug, 2021
本研究综述了使用深度神经网络实现无监督点云表示学习的方法,解决在人工标注数据量有限的问题。研究挖掘了常用数据集和评估指标,提出了基于这些技术的自监督点云表示学习方法的广泛应用,并指出未来可能面临的挑战和潜在问题。
May, 2023
本文介绍了一种基于神经网络的 3D 点云去噪架构,使用深度学习技术进行去噪,将超过 40000 个采样点的 3D 数据进行网络训练,使用 350 个数据集进行测试,结果表明该算法具有更好的去噪性能和更小的方差。
Apr, 2019
本文提出了一种基于自编码器的 3D 点云去噪方法,该方法通过学习嵌入式邻域特征的稀疏点的局部和非局部特征表示,对 3D 点云中的噪声进行去除,并通过重建的流形重新采样得到去噪后的点云,该方法在合成噪声和真实世界噪声下均表现出显著的性能优于现有的去噪方法。
Jul, 2020
本研究提出了一种名为 CrossPoint 的简单跨模态对比学习方法,通过自监督学习,在不需要人类标注的情况下,实现可转移的三维点云表示,通过最大化点云和相应渲染的二维图像之间的协议,实现了三维物体分类和分割等多项任务,并验证了我们的方法在提高点云理解方面的效果。
Mar, 2022
该论文提出了一种基于密度的点云去噪方法,该方法使用粒子群优化技术来自动逼近多变量核密度估计的最优带宽,并使用均值漂移聚类技术通过阈值方案来除去离群点。去除离群点后,应用双边网格滤波来平滑剩余点。实验结果表明,该方法是鲁棒和有效的。
Feb, 2016
利用深度学习方法从少量图像重建和去噪点云,通过使用基于图像的深度学习模型所提取的先验知识来改善约束条件下的重建,并通过引入语义一致性监督来规范化可微渲染器的训练。同时,提出了一种细调稳定扩散算法用于去噪点云的渲染图像,并论证了这些学习的滤波器如何能够去除无需 3D 监督的点云噪声,并与 DSS 和 PointRadiance 方法进行了对比,实现了在 Sketchfab 测试集和 SCUT 数据集上更高质量的 3D 重建。
Apr, 2024