用于三维点云分类和分割的几何共享网络
本论文提出了一种基于局部图表示的点云学习框架,通过学习内部的三维几何特征并使用基于图卷积网络的特征提取网络来实现三维变换不变性,这种方法在分类和分割任务中取得了最先进的性能和有竞争力的性能,具有重要的研究意义。
Dec, 2018
GeoNet 是第一个深度学习结构用于对点云表达的曲面的内在结构建模,通过使用 GeoNet 与 PU-Net 和 PointNet ++ 等基线或骨干网络的融合方案来改善多个代表性任务的现有方法,包括点上采样、法向量估计、网格重建和非刚性形状分类。
Jan, 2019
该研究提出了一个名为 Graph Transformer 的新特征提取模块,它能够在局部和全局模式下学习点云特征。该模块将基于图形和变压器的方法的优点相结合,并包括局部变换器和全局变换器模块。在此基础上,构建了一个 3D 点云网络 GTNet,可以用于形状分类、部分分割和语义分割任务。
May, 2023
介绍了一种新的 GCPNet 图神经网络,其具有 SE (3) 置换对称性,用于 3D 分子图形表示学习,在蛋白质 - 配体结合亲和力预测,蛋白质结构排序和牛顿多体系统建模任务中均取得了最先进的效果。
Nov, 2022
提出了一种轻量级的计算几何原型网络 GPr-Net,结合基于向量的手工内在几何量子化器和拉普拉斯向量等相关方法,旨在解决点云匮乏和无序性等问题,并使用超几何空间来处理分布漂移问题,结果表明在计算机效率和精确度上优于所有已有的点云小样本学习方法。
Apr, 2023
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
本文提出了一种名为 Geo-CNN 的算法,通过将点和其局部邻域应用一种称为 GeoConv 的通用卷积操作来捕捉点云中局部几何关系,并在特征提取过程中保留点云的几何结构,实现了在 ModelNet40 和 KITTI 数据集上的最先进性能。
Nov, 2018
该研究提出了一种称为几何去耦合注意力网络(GDANet)的深度学习模型,用于将 3D 对象的点云分解成轮廓和平坦的部分,并在整合时实现语义精炼,从而实现更好的 3D 对象分类和分割。
Dec, 2020
本研究提出了一种可训练的、基于几何感知的图像生成方法,利用几何和分割等场景信息生成逼真自然、符合期望的场景结构的图像,并通过 GIS 框架插入驾驶场景中的车辆、生成来自 Linemod 数据集的物体新视角,展示其能够广泛适用于新颖的场景、物体形状和分割,且可用于合成大量训练数据以训练实例分割模型。
Sep, 2018