CVPRApr, 2019

LBS 自编码器：自监督拟合关节网格至点云

PDF
TL;DR本研究使用自监督自编码算法通过利用 LBS 变形空间参数化骨骼分层结构来实现点云序列的自动化配准，并使用 Part - 分割的结构化 Chamfer 距离来解决点对点对应关系错误对模型配准的影响，实验结果表明，该方法在体注册等方面的绩效不输于监督学习方法。
self-supervised autoencodingarticulated mesh modelslinear-blend skinningpoint cloud registrationchamfer distance
发现论文，激发创造
  • L2G 自编码器：使用分层自注意力的局部到全局重建理解点云

    本研究提出了一种名为 Local-to-Global auto-encoder（L2G-AE）的自编码器模型，通过引入层次自注意力机制和重构局部区域大小以及局部到全局的关系，能够更好地了解点云的局部和整体结构，同时在形状分类，检索和上采样等方面比现有方法表现更卓越。

    Aug, 2019

  • 点云自监督学习的掩蔽自编码器

    本文提出一种新颖的掩码自编码点云自监督学习方案，通过划分输入点云为不规则点区块和高比例随机掩码，设计了一种基于 Transformer 的自编码器，该方案在预训练过程中高效并且在各种下游任务中具有很好的泛化能力，包括在少样本物体分类方面表现出色。

    Mar, 2022

  • 点云自监督表示学习的隐式自编码器

    本文主张在基于自监督的三维表征学习中使用隐式曲面表征，通过提出的隐式自编码器（IAE）方法，解决了点云重建过程中的离散化采样误差问题，并在各种自监督学习基准测试中达到了最先进的性能水平。

    Jan, 2022

  • 基于深度自编码器的点云有损几何压缩

    本研究提出了一种通用的基于自编码器的几何点云有损压缩架构，与手工编码器相比，此方法快速适应先前未见过的媒体内容和格式，并实现了可竞争的性能。

    Apr, 2019

  • 自我监督学习用户定位

    基于自我监督学习的无标注数据预训练，提升了基于 CSI 的用户定位的监督学习性能，该方法利用两个自编码器模型从无标注数据中提取相关特征，然后通过微调基于 MLP 的位置估计模型准确推断用户位置。我们在 CTW-2020 数据集上进行实验验证了该方法的有效性，尤其对于大规模的定位任务也取得了有希望的结果。

    Apr, 2024

  • 学习 3D 点云的表示和生成模型

    该论文探讨了点云作为表示几何数据的方法，利用深度自编码器网络来提高 3D 识别及形状编辑的表现，并对不同的生成模型进行了研究，发现在 AE 的潜在空间中训练的高斯混合模型具有最佳的生成效果。

    Jul, 2017

  • 点云自监督学习：基于三维到多视角遮蔽自编码器

    通过使用 3D 到多视图掩码自编码器，充分利用 3D 点云的多模属性，提出了一种全新的方法，这不仅丰富了模型对几何结构的理解，还利用了点云的固有多模性能，有效地改进了各种任务，包括 3D 对象分类、少样本学习、部分分割和 3D 对象检测。

    Nov, 2023

  • 用于无监督点云学习的渐进式种子生成自编码器

    本文提出了一种基于点云重建的学习模型 PSG-Net，它使用了新的自编码器结构，并通过无监督学习实现对点云的重建和分类，优化了传统的鉴别模型，取得了显著的效果。

    Dec, 2021

  • AutoLink: 通过关键点链接实现人体骨骼和物体轮廓的自监督学习

    本文提出一种基于自监督学习的方法，通过使用由直线相连的 2D 关键点图解开结构与外观的耦合，进而学习物体的结构表达，并利用所学习的结构表达实现自动人体姿态估计等任务。

    May, 2022

  • 使用几何感知自编码器从数十个数据集中学习 3D 人体姿势估计，以桥接骨架格式之间的差异

    本研究展示了一个基于深度学习的 3D 人体姿态估计方法，为了克服不同数据集提供的不同骨骼格式这一障碍，我们提出了一种新颖的仿射组合自编码器方法 (ACAE)，以实现由多个数据集超级所见，其中我们使用 28 个 3D 人体姿态数据集来监督一个模型，并在各种基准测试中取得了比以前的工作更好的表现。

    Dec, 2022