CVPRNov, 2019

使用图卷积网络进行点云上采样的 PU-GCN

PDF
TL;DR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。
发现论文，激发创造
  • 4DSR-GCN: 使用图卷积网络进行 4D 视频点云上采样

    本研究提出了一种新的方法，使用特定设计的图卷积网络以及结合动态边卷积和图注意力网络，实现对经过重压缩的 3D 视频点云数据的提升和恢复，同时通过更少的参数达到可比较的重建质量，适用于例如自动驾驶中使用的 LiDAR 等边缘计算设备。

    Jun, 2023

  • 快速可扩展的点云学习 Grid-GCN

    本文提出了名为 Grid-GCN 的方法，用于快速和可扩展的点云学习。Grid-GCN 使用一种新颖的数据结构策略，Coverage-Aware Grid Query（CAGQ），通过利用网格空间的效率，提高了空间覆盖范围，同时减少了理论时间复杂度，具有很高的速度和可扩展性。Grid-GCN 在各类点云分类和分割基准测试中都表现优异，并且比以前的研究运行速度更快。值得注意的是，在使用 81920 个点作为输入场景进行 ScanNet 推理时，Grid-GCN 实现了 50fps 的推理速度。

    Dec, 2019

  • PU-Net: 点云上采样网络

    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

  • 基于图卷积神经网络的三维点云分类

    本文介绍了使用 Graph-CNNs 和 PointGCN 对 3D 点云数据进行分类的方法，通过局部图卷积和两种图降采样操作实现了对点云局部结构的有效探索，与竞争方案相比，该架构具有更稳定的性能。

    Nov, 2018

  • PU-EdgeFormer: 点云稠密预测的边缘 Transformer 上采样

    本研究提出了一种基于图卷积和变压器结合的点云上采样方法 PU-EdgeFormer，能够同时学习点云的局部和全局结构，通过实验证明在客观和主观方面都优于现有的最先进方法。

    May, 2023

  • PU-GAN: 点云上采样对抗网络

    本文提出了一种基于生成对抗网络（GAN）模型的新的点云上采样网络 PU-GAN，能够从潜在空间中学习到丰富的点分布并通过误差反馈和自校正实现对物体表面上的点的上采样，并通过鉴别器学习更多潜在模式以增强输出点的分布均匀性。定量和定性评估表明，PU-GAN 在分布均匀性、与物体表面的接近度以及三维重建质量方面，优于同类方法。

    Jul, 2019

  • DHGCN：自监督点云学习的动态跳跃图卷积网络

    我们提出了一种名为 DHGCN（Dynamic Hop Graph Convolution Network）的方法，通过学习点部件之间的上下文关系来提取点云中的局部特征，并利用学习到的跳跃距离作为输入进行图注意聚合，通过自我监督方法实现了最先进的性能。

    Jan, 2024

  • 用于半监督节点分类的分层图卷积网络

    本研究提出了一种新的深层分层图卷积网络 (H-GCN)，通过聚合结构相似的节点形成超节点，然后再将粗化的图细化到原始图以恢复每个节点的表达，从而扩大每个节点的感受野，能够获取更多的全局信息，并在各种公共基准测试图数据集上表现出强大的实证性能。

    Feb, 2019

  • N-GCN：用于半监督节点分类的多尺度图卷积

    该研究提出了一种名为 N-GCN 的模型，将图卷积网络和随机游走中的信息融合，训练多个 GCNs 实例，并学习组合不同距离下的节点对的实例输出，实现优化分类目标。实验证明，该模型在节点分类任务上表现优异，具有良好的通用性和鲁棒性。

    Feb, 2018

  • 带有全局注意力的 Permutohedral-GCN 图卷积网络

    本文提出了一种具有全局注意机制的图卷积网络，能够选择性地关注和汇聚图中的任何节点，同时使用基于 Permutohedral 网络的近似高斯过滤技术实现全局汇聚方案，从而实现对节点分类性能的优化。

    Mar, 2020