通过图拓扑推理和过滤进行三维点云深度无监督学习
本文提出了一个新的端到端深度自编码器来解决点云上无监督学习的挑战,其中在编码器端强制进行了基于图的增强以促进 PointNet 的局部结构,并且通过新颖的基于折叠的解码器将一个规范化的 2D 网格变形到点云的底层 3D 对象表面上,从而实现了低重建误差。
Dec, 2017
本文提出了一种新的深度学习方法,通过去除噪声并保持尖锐特征,自动而又稳健地过滤点云,其点对点的学习架构由编码器和解码器组成,并在视觉质量和数量误差指标方面均优于现有深度学习技术。
Feb, 2020
本文提出一种基于图卷积层的深度神经网络,能够优雅地处理学习型点云处理方法所遇到的置换不变性问题,通过动态构建邻域图来建立特征的复杂层次结构,与促进接近理想表面的损失相结合,该方法在各种指标上都明显优于现有方法,特别是在高噪声和结构噪声等实际情况下表现尤为稳健。
Jul, 2020
本文研究了点云数据如何被有效和高效地投影到 2D 图像空间中,以便于利用传统的 2D 卷积神经网络进行分割,通过引入具有拓扑结构保持特性的图形处理方法,并使用分层逼近算法,结合 Delaunay 三角剖分技术和多尺度 U-Net 网络进行图像分割,取得了 ShapeNet 和 PartNet 的最新成果。
Mar, 2020
本文提出了一种针对三维点云的端到端无监督异常检测框架,该模型基于深度变分自编码器进行无监督学习和针对三维点云的异常分数计算,并在 ShapeNet 数据集上进行了广泛实验,证明了该方法优于基线方法。
Apr, 2023
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
GeoNet 是第一个深度学习结构用于对点云表达的曲面的内在结构建模,通过使用 GeoNet 与 PU-Net 和 PointNet ++ 等基线或骨干网络的融合方案来改善多个代表性任务的现有方法,包括点上采样、法向量估计、网格重建和非刚性形状分类。
Jan, 2019
使用深度学习估计 3D 中由稀疏、无序点云场景表示的流形的拓扑结构,通过合成的标记数据集训练神经网络并评估其估计流形的层面的能力,与基于持续同调的现有拓扑数据分析工具相比,探讨了深度学习模型提取这些特征的优势,并使用语义分割提供额外的几何信息以及拓扑标签,比较了常见的点云多层感知机和 Transformer 网络的可行性,在模拟数据上的实验结果支持假设,即在复杂的合成数据生成帮助下,神经网络能够执行基于分割的拓扑数据分析,尽管研究集中在模拟数据上,但所达到的准确性暗示了未来使用实际数据的潜力。
Sep, 2023
此论文提出了 3D 点胶囊网络作为自动编码器的一个改进,它能处理稀疏的三维点云数据并保留其空间结构。动态路由和其独特的二维潜在空间使其改进了几个与点云相关的常见任务,如物体分类、物体重建和部分分割,并能使其实现部分插值和替换。
Dec, 2018