ICCVJun, 2019

PointFlow：使用连续归一化流进行三维点云生成

PDF
TL;DR本文提出了一种基于一级形状分布和二级点分布的概率框架，通过 PointFlow 学习两个级别的分布，并采用连续归一化流训练，进而生成 3D 点云，实现了无监督学习和重建点云，达到了最先进性能。
发现论文，激发创造
  • 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

  • PD-Flow：一种带有归一化流的点云去噪框架

    介绍一种基于深度学习、归一化流以及噪音解缠技术的点云去噪方法，通过对噪声进行解缠并建立欧几里得空间和潜在空间之间的映射，从而实现高精度的去噪。在合成和真实世界数据集上的定性和定量实验表明，其性能优于现有的基于深度学习的方法。

    Mar, 2022

  • 拓扑感知的三维点云生成图形流

    该研究提出了一种具有多个潜在标签的流式生成模型 ChartPointFlow，以生成和重建 3D 点云，并在无监督分割方面表现优异。

    Dec, 2020

  • SoftFlow：流形概率归一化流框架

    本文提出了 SoftFlow，一种用于训练流模型的概率框架，能够更好地捕捉流模型的困难维度，并通过应用于三维点云数据，可以更准确地预测各种形状的分布，达到了流模型生成方面的最佳表现。

    Jun, 2020

  • C-Flow：用于图像和 3D 点云的条件生成流模型

    通过引入一种新的条件方案 C-Flow，该研究将基于流的生成模型扩展到了全新的场景，针对多模态数据建模，包括图像、分割图和边缘掩膜等。还针对无序 3D 点云建立了新的策略，并针对三维重建、图像渲染和多模态图像之间的映射提出了应用，以及实现了高度可适应性的应用。

    Dec, 2019

  • 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

  • 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

  • 3D 点云生成的扩散概率模型

    本文提出了一个概率模型，将点云看作是处于非平衡热力学系统内的粒子，并通过扩散过程学习将噪声分布转换为所需形状分布的逆扩散过程，即点云生成过程。具体地，将点云的逆扩散过程建模为一个以某个形状因子为条件的马尔科夫链，并提供了闭合形式的变分下界以进行训练。实验结果显示，该模型在点云生成和自编码方面具有竞争性能。

    Mar, 2021

  • 学习梯度场用于形状生成

    本文提出一种新颖的技术，通过随机梯度上升在未标准化概率密度上移动样本点来生成点云，使其达到类似真实高密度区域的效果，并通过该方法达到点云自编码和生成的最新成果，同时允许提取高质量的隐式表面。

    Aug, 2020

  • PINF：用于物理约束深度学习的连续归一化流

    本文介绍了基于物理信息的归一化流（PINF），它是连续归一化流的一种新方法，通过特征方法结合扩散，能高效解决高维时间依赖和稳态福克 - 普朗克方程。

    Sep, 2023