使用自适应实例规范化的点云卷积解码器
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
本文提出了一种基于块的压缩算法,使用深度学习对点云的几何信息进行有损压缩,并取得了优于现有算法的压缩比。该算法在编解码时将点云划分为块进行压缩,使用局部重构误差作为优化标准,保证压缩后的点数与原始数据相等。同时,该算法的网络模型还可方便地应用于同类问题,例如点云上采样。
Oct, 2021
本文介绍了一个使用 3D 点云进行语义分割和对象识别的卷积神经网络,其中核心是点卷积,这是一种可以在点云的每个点上应用的新型卷积算子,并且网络设计简单且能在语义分割和对象识别任务中获得可比较的准确性。
Dec, 2017
该研究提出了一种基于深度学习的点云重建网络,采用两个阶段进行密集化、去噪和点云完整性重建,其中使用了变换器进行离散体素向 3D 点的转换,同时提出了放大位置编码模块以优化变换器,实现在 3D 扫描建模领域的最新水平。
Nov, 2021
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
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
本篇论文介绍了基于学习的卷积变换和均匀量化的静态点云数据几何压缩方法,并将解码过程视为点云占用图的二元分类。该方法在 Microsoft Voxelized Upper Bodies 数据集上表现优异,平均 BDBR 节省率达 51.5%,且能够在低比特率下仍产生高分辨率的输出。
Mar, 2019