Jul, 2019

宁静之云：用神经网络学习点云时空相干特征

PDF
TL;DR研究介绍了一种用于 Lagrangian 形式下的点云的机器学习方法，该方法可以学习稳定和具有时间相关性的特征，以解决在这些方法中存在的固有问题，例如点云形成的 halo 结构。
point cloudsdeep-learningtemporal coherencetemporal loss functionsuper-resolution
发现论文，激发创造
  • 深度卷积在非规则采样时间点云中的应用

    本论文提出了一种使用深度学习模型对不规则采样的连续空间时间过程进行直接学习和预测的方法，并验证了该模型在真实天气数据和星际争霸 II 中的有效性。

    May, 2021

  • 学习图卷积表示用于点云去噪

    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

  • 空间 - 时间图形循环神经网络用于点云预测

    提出一种端到端学习网络，用于预测点云序列中的未来帧，其中网络以点云的拓扑信息作为几何特征学习初始层，形成代表性的时空邻域，在多个 Graph-RNN 单元中学习点的动态（即 RNN 状态），并与时空邻近点一起处理。测试结果表明，我们的方法在忽略几何特征信息的基准线方法上表现出色，应用于包括 MINST 运动数字、合成人体动作和 JPEG 动态人体数据集的预测中。

    Feb, 2021

  • 基于层次化点云表示的物体动态建模

    基于连续点卷积的新型 U-net 架构能够自然地嵌入 3D 坐标信息，并通过已建立的下采样和上采样过程进行多尺度的特征表示，从而有效地改进了基于神经网络的三维物体动态建模方法。

    Apr, 2024

  • 变化检测的隐式神经表示

    基于 3D 空中 LiDAR 点云对比的无监督方法，使用神经场和高斯混合模型进行形状重建和变化分类，对多种场景进行了对比实验并在联合度量上实现了 10% 的改进，同时在考古领域的非法挖掘识别实验中也取得了一致结果。

    Jul, 2023

  • Point2Point: 一种在希尔伯特排序点云上高效进行深度学习的框架，并在时空占据预测中应用

    本文提出一种利用希尔伯特空间填充曲线作为本地保留的一维排序的方法表示点云，并引入 Point2Point 神经架构，能够有效地学习排序后的点云并在点云分割和生成任务上展示出有竞争力的性能，最后展示了在点云的时空占用预测上，Point2Point 的性能表现。

    Jun, 2023

  • 基于聚类的点云表示学习用于三维分析

    基于聚类的监督学习方案用于点云分析，通过在点嵌入空间上进行类内聚类来自动发现子类模式，进而重构嵌入空间以提高鲁棒性；该算法在各种 3D 网络架构上表现出明显的改进，并在知名点云分割数据集和 3D 检测中显示出实用性。

    Jul, 2023

  • 3D 点云时空自监督表示学习

    本文介绍了一种利用自监督学习学习无标签 3D 点云的时空表示学习 (STRL) 框架，通过从 3D 数据中获得富含的时空线索来应对 3D 情景理解任务中预训练模型泛化性差的困境，实验证明该方法能显著提高 3D 点云中的表示学习性能。

    Sep, 2021

  • IDEA-Net: 深度嵌入对齐的动态三维点云插值

    本文探究如何以点云数据为基础，应用深度学习方法以及掌握时间一致性的学习模块，实现对包含大量非刚性变形的 3D 动态场景进行时间插值的问题，并在各项实验中取得了比同类方法更好的效果。

    Mar, 2022

  • PointWise: 一种无监督的点级特征学习网络

    本文提出了一种无监督学习点云的有意义的点对点嵌入方法，利用神经网络的自我监督来训练，从而实现对无标签数据进行语义分割。

    Jan, 2019