PU-GAN: 点云上采样对抗网络
本文提出了一种数据驱动的三维点云上采样技术,通过在特征空间中隐式地学习多层次特征并扩展点集,进而构建高密度点集,并在表面均匀分布的基础上实现采样点的重构,实验结果表明该方法的优越性。
Jan, 2018
本文提出了一种用于生成点云数据的改进的 GAN 算法(PC-GAN),结合了层次贝叶斯建模和隐式生成模型的思想,使用后验推理网络来学习隐藏变量、使用紧凑的 Wasserstein 距离估计来定义优化目标,从而实现了多个 GAN 算法的一般化框架。实验证明,PC-GAN 比现有方法更好地生成了许多 3D 模型,并且具有竞争性能的潜力。
Oct, 2018
提出了一种自监督的点云上采样方法 SPU-Net,该方法利用深度学习模型和 GCN 捕获点云上采样的内在模式,具有解决真实数据稀疏问题的能力。实验表明,该方法与现有的监督方法相比具有可比性能。
Dec, 2020
最近,基于点云的任意尺度上采样机制因其在实际应用中的效率和便利性而越来越受欢迎。为了解决从稀疏点云学习表面表示所面临的挑战,我们提出了一种使用基于体素网络的任意尺度点云上采样框架(PU-VoxelNet)。通过利用体素表达的完整性和规律性,体素网络能够提供预定义的网格空间来近似三维表面,并根据每个网格单元内的预测密度分布重建任意数量的点。进一步,为了改善细节,我们提供了一种辅助训练监督方法,以强制实现局部表面块之间的潜在几何一致性。广泛的实验证明,所提出的方法在固定上采样率和任意尺度上采样方面都优于现有技术。
Mar, 2024
本文提出了一种新颖的标签引导的对抗网络(LG-GAN)用于实时灵活的目标点云攻击,该网络能够在单一前向传递中学习如何变形点云以使识别网络误认为是特定标签,支持在飞行中的灵活目标攻击,并同时保证攻击性能和效率的同时提高。
Nov, 2020
本研究提出了一种基于学习的点云上采样管道,其中使用 NodeShuffle 作为点上采样模型,并提出了一个新的多尺度点特征提取器,称为 Inception DenseGCN,将其与 NodeShuffle 结合成一种新的点上采样管道 PU-GCN,这种方法能够显著地提高上采样点云处理的效果。
Nov, 2019
本文提出了一个有效和高效的三维点云生成网络 ——WarpingGAN,通过学习统一的局部变形函数将多个相同的预定义先验变形成驱动局部结构意识语义的三维形状,从而在一次训练后以单个轻量级网络的形式高效地生成具有各种分辨率的均匀分布的三维点云。
Mar, 2022
本文提出了一种基于深度神经网络的方法 PUGeo-Net 用于处理点云密集化,从而描述底层几何结构,不仅可用于 CAD 模型的尖锐特征,也可用于具有丰富几何细节的扫描模型,同时实现了生成定点坐标和该点法线并存的任务。
Feb, 2020
本论文介绍了一种基于 transformer 模型的多头自注意力结构和位置融合块的点云上采样方法,并通过定量和定性的对比实验证明了其优越性能。
Nov, 2021
本研究提出了一种名为 Meta-PU 的新方法,通过一个模型支持任意比例的点云上采样,并且通过在 Meta-PU 方法中动态调整 RGC 块的权重和采用 farthest sampling 块对不同数量的点进行采样,可实现连续上采样。
Feb, 2021