Dec, 2019

一种框架以注册它们所有: PointNet 编码用于点云对齐

PDF
TL;DR本文提出了一种新的基于 PointNet 编码的点云对齐和配准框架，避免了 ICP 等流行配准方法中的计算昂贵的对应点搜索步骤，适用于 3D 重建、跟踪和姿态估计等应用，能够处理噪声、初始错位以及粗糙点云，并通过大量模拟和真实实验验证了算法的有效性和性能优势。
发现论文，激发创造
  • PCRNet: 使用 PointNet 编码的点云配准网络

    该论文提出了一个新框架，利用 PointNet 表征对齐点云和执行注册，以实现跟踪，3D 重建和姿态估计等应用，能够根据点云的形状信息生成特定形状或通用的方法，并具有噪声和数据初始化错位的鲁棒性。

    Aug, 2019

  • PointNetLK: 使用 PointNet 实现鲁棒高效的点云配准

    本文提出了一种基于 Lucas & Kanade (LK) 算法的 PointNet 学习可变成像函数的方法，以便将其应用于点云配准问题，并且构建了一个单可训练的递归深度神经网络，提高了点云配准的计算效率以及推广到不同形状类别中的性能表现。

    Mar, 2019

  • PointeNet: 一种高效且有效的点云分析轻型框架

    PointeNet 是一种专门用于点云分析的高效网络，通过轻量级的架构、低训练成本和即插即用功能，有效捕捉代表性特征，并在分类 / 分割头或嵌入到现成的 3D 物体检测网络中实现了明显的性能改进，尤其适用于自动驾驶等实际场景。

    Dec, 2023

  • DeepICP: 一种用于 3D 点云配准的端对端深度神经网络

    DeepICP 是一种端到端的学习框架，采用多种深度神经网络结构来实现 3D 点云的配准，并集成了局部相似性和全局几何约束以提高配准精度和鲁棒性。

    May, 2019

  • 基于深度图匹配的稳健点云配准框架

    本文提出了一种基于深度图匹配的 3D 点云注册框架，通过先将点云转化为图并提取每个点的深度特征，再用深度图匹配计算软对应矩阵，从而找到更正确的对应关系，实现了在有离群点和时间约束而没有好的变换初始化时的 3D 点云快速注册。

    Mar, 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

  • 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

  • MaskNet：一个完全卷积网络，用于估计内点

    本文介绍了一种基于完全卷积神经网络的技术，旨在解决点云处理过程中的数据缺失与冗余问题，该方法可以提高基于学习的和经典的点云配准方法的准确性，并在真实世界与合成数据集上进行了测试和演示。

    Oct, 2020

  • PointNet：基于点集的深度学习用于三维分类和分割

    本文提出 PointNet 网络，通过直接消耗点云数据并尊重其排列不变性，实现了一个统一的架构，可用于物体分类、局部分割和场景语义解析等多种应用，并在理论和实验方面都有较好表现。

    Dec, 2016

  • 使用代表性重叠点进行点云配准

    本研究提出了一种新的深度学习模型 ROPNet，它利用具有鉴别性特征的代表性重叠点进行注册，从而将局部到局部的注册转化为局部到完全的注册。实验表明，该方法在嘈杂且部分重叠的点云中表现出卓越的性能。

    Jul, 2021