点云分类的自适应分层下采样
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
本研究提出了一种成本可调的卷积神经网络推理方法 - 随机下采样点(SDPoint),通过对特征图进行随机下采样,使得同一模型的不同 SDPoint 实例具有不同的计算成本,并在训练中实施参数共享以提高正则化效果,在推理阶段,可根据不同的推理成本选择不同的 SDPoint 实例,已在图像分类问题上得到验证。
Jan, 2018
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
本研究提出了一种新型深度点云压缩方法,可以有效保留本地密度信息,采用自动编码器的方式进行降采样和上采样操作,通过密度嵌入、本地位置嵌入和先祖嵌入等方式编码点云局部几何和密度,并在解码时预测每个点的上采样因子和方向尺度,同时也可以压缩点云属性。实验结果表明,该算法在 SemanticKITTI 和 ShapeNet 数据集上实现了最先进的码率失真平衡。
Apr, 2022
通过对 3D 点云进行逐层扩散的防御策略,本研究提出了一种新的防御方法,用于评估 3D 点云模型的鲁棒性,并证明该方法在抵御对抗性攻击方面表现出与现有方法相当甚至更好的结果。
Mar, 2024
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
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
本文提出了一种基于密度感知卷积和上下文编码的多尺度全卷积神经网络方法,用于 3D 点云分类,同时在 ISPRS 3D 标注基准上实现了新的最优性能。
Oct, 2019