AAAINov, 2019

使用递归集编码进行点云处理

PDF
TL;DR本文提出了一种新的置换不变网络用于 3D 点云处理，该网络由循环集编码器和卷积特征聚合器组成，对于无序点集，使用循环神经网络（RNN）对其进行编码并将功能集成到 2D 卷积神经网络（CNN）中，用于层次化特征聚合，该网络在空间特征学习方面表现出色，在多个基准测试中表现优异， 与最新技术水平相比也更加高效。
permutation-invariant network3d point cloud processingrecurrent set encoderconvolutional feature aggregatorefficient 2d cnn
发现论文，激发创造
  • RecNet: 基于范围图像嵌入的可逆点云编码用于多机器人地图共享与重建

    该研究介绍了一种名为 RecNet 的新方法，通过将三维点云投影到深度图像并使用编码器 - 解码器框架进行压缩，从而同时解决资源受限机器人和多机器人系统中有效的位置识别问题。通过提取该过程中的潜在向量用于高效的位置识别任务，RecNet 不仅取得了可比较的位置识别结果，而且保持了紧凑的表示形式，适合在机器人之间实现无缝共享以重建其集体地图。通过对 RecNet 进行包括位置识别性能、重建点云的结构相似性和仅共享潜在向量而得到的带宽传输优势在内的一系列指标进行评估，该方法为在导航、定位、地图合并和其他相关任务中的应用开辟了新的途径。通过公开数据集和实地实验对所提出的方法进行了严格评估，证实其在真实世界应用中的有效性和潜力。

    Feb, 2024

  • 多分辨率树网络用于 3D 点云处理

    使用多分辨率树形网络来处理点云实现三维形状的理解和生成，可用于分类形状和学习点云形状的无监督生成，表现优于现有基于点的架构。

    Jul, 2018

  • PointRNN: 移动点云处理的点递归神经网络

    本文介绍了 PointRNN，它是一种用于移动点云处理的神经网络，在移动点云预测中产生准确的预测结果，使得点云序列的建模成为可能。

    Oct, 2019

  • 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

  • Pointfilter: 基于编码器 - 解码器建模的点云过滤

    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

  • 三维点云语义分割的点注意力网络

    本研究提出了一种点关注网络，它可以在对 3D 点云进行语义分割时学习丰富的本地形状特征和上下文相关性，并代替传统卷积核或参数共享机制来更有效地处理稀疏的 3D 点云。实验表明，该算法能够与现有的最先进方法同等或更好地处理各种 3D 点云。

    Sep, 2019

  • 深度点云重建

    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

  • 用于序列人脸对齐的循环编码 - 解码网络

    本研究提出了一种新颖的循环编码器 - 解码器网络模型，用于实时基于视频的面部对齐。我们的模型预测带有回归损失的 2D 面部关键点映射，同时在空间和时间维度上独特地利用循环学习。在空间层面上，我们在联合输出响应映射和输入之间添加反馈循环连接，以使用单个网络模型实现迭代式的粗到精面部对齐。在时间层面上，我们首先将网络瓶颈中的特征分解为时间可变因素和时间不变因素，例如姿势和表情以及身份信息。然后将时间循环学习应用于分解的时间可变特征，在测试时间产生更好的普适性和显着更精确的结果。通过全面实验分析，我们展示了提出的模型各组件的重要性，以及在标准数据集上的优异结果。

    Aug, 2016

  • 用于点云三维分割的循环切片网络

    本文提出了一种新型的 3D 分割框架 RSNet，它使用了轻量级局部依赖模块来高效地建模点云中的局部结构，并在 S3DIS、ScanNet 和 ShapeNet 数据集上进行了全面的实验验证，结果表明 RSNet 在所有基准测试上均优于先前的最先进方法。

    Feb, 2018

  • Point2Sequence: 基于注意力序列到序列网络学习三维点云的形状表示

    本研究提出了一种名为 Point2Sequence 的新型深度学习模型，用于学习 3D 形状特征，通过一种新颖的隐式方法捕捉了区域内的细粒度上下文信息， Point2Sequence 采用点云的新颖序列学习模型，通过注意力归纳局部区域的多尺度范围来捕获相关性，实验结果在形状分类和分割任务中取得了最优表现。

    Nov, 2018