Jun, 2019

HPLFlowNet：用于大规模点云场景流估计的层次 Permutonedral Lattice FlowNet

PDF
TL;DR本文提出一种基于深度神经网络的全流场估计新架构，可直接对大规模三维点云进行操作，在唯一点云和连续点云之间还原结构信息和融合两者信息，且计算成本较低，在 FlyingThings3D 和 KITTI Scene Flow 2015 数据集上取得最优表现，同时在不同密度的真实世界数据上也表现出了较高的泛化能力。
发现论文，激发创造
  • Bi-PointFlowNet: 基于点云双向学习的场景流估计

    本文提出了使用双向流嵌入层的新型场景流估计体系结构，它学习了前向和后向方向的特征，增强了估算性能。实验结果表明，在 FlyingThings3D 和 KITTI 基准测试中，该体系结构表现非常优异，与其他方法相比具有明显的优势，并且通过代码已经得到验证。

    Jul, 2022

  • 学习 3D 点云中的场景流

    本研究提出了一种新颖的神经网络模型 FlowNet3D，该模型旨在从点云数据中学习场景流，该模型可以通过扫描定位和运动分割等多种应用，对 Lidar 扫描等多种实际场景进行高效准确的场景流处理。

    Jun, 2018

  • PointPWC-Net: 一种基于粗到细的网络，用于 3D 点云的监督学习与自监督学习场景流估计

    本文提出了一种新颖的端对端深度场景流模型 PointPWC-Net，通过粗到细的方式处理 3D 点云数据，包括新型的成本体量、上采样和变形层来有效地处理 3D 点云数据，利用自监督损失进行训练。实验结果表明，在 FlyingThings3D 数据集上超过了现有技术，并且在未经微调的情况下，在 KITTI Scene Flow 2015 数据集上表现出很好的泛化能力，优于所有先前的方法。

    Nov, 2019

  • 3D 点云场景流的分层注意力学习

    本文研究了使用两个连续的三维点云来估计场景流的问题，并提出了一种新的分层神经网络架构和双重注意力方法来精细地估计和监督不同级别的场景流和 LiDAR 位置跟踪。

    Oct, 2020

  • RMS-FlowNet++: 大规模点云的高效稳健多尺度场景流估计

    RMS-FlowNet++ 是一种新颖的端到端学习架构，用于准确且高效地估计场景流动，可以处理高密度的点云。

    Jul, 2024

  • DELFlow：大规模点云场景流量的稠密高效学习

    通过将三维坐标储存在二维网格中，以稠密格式规范点云数据并提供有效的特征融合，从而在场景流估计问题上提供更高效和有效的方法。

    Aug, 2023

  • LatticeNet: 基于排列菱格的快速点云分割

    本文提出了一种名为 LatticeNet 的使用 PointNet 和稀疏排列共同完成快速卷积的 3D 语义分割方法，通过使用 DeformSlice 将格子特征反投影到点云使得模型在多个数据集上达到了 SOTA 结果。

    Dec, 2019

  • 离散点流网络用于高效点云生成

    该研究论文探讨生成模型在三维点云形状建模方面的应用，提出一种基于归一化流和仿射耦合层的潜在变量模型，用于生成、自编码和单视角形状重构任务，相较最近的基于 GAN 和基于连续流的模型，该模型在训练和推理速度上有明显提升，并在特定指标上实现了优于其他模型的表现，包括单视角形状重构等。

    Jul, 2020

  • PointFlowNet: 从点云学习刚体运动估计的表示

    该论文提出了一种使用深度神经网络从非结构化点云中估计三维运动的方法，同时也能预测场景中物体的三维边界框和刚体运动。作者还采用虚拟物体增强真实扫描数据来训练网络，并与传统技术和基于学习的技术进行了全面比较。

    Jun, 2018

  • 真实世界点云的可伸缩场景流

    本文介绍一种新的基于运动跟踪的大规模数据集并提出适用于全点云的 FastFlow3D 架构，以更好地进行场景流预测并提高现实世界的表现。

    Mar, 2021