Pointfilter: 基于编码器 - 解码器建模的点云过滤

Feb, 2020

Pointfilter: 基于编码器 - 解码器建模的点云过滤

Pointfilter: Point Cloud Filtering via Encoder-Decoder Modeling

Dongbo Zhang, Xuequan Lu, Hong Qin, Ying He

TL;DR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。

Abstract

point cloud filtering is a fundamental problem in geometry modeling and processing. Despite of significant advancement in recent years, the existing methods still suffer from two issues: 1) they are either designed without preserving sharp features or less robust in feature preservatio

point cloud filtering sharp features preservation deep learning encoder-decoder architecture noisy input

发现论文，激发创造

FoldingNet：利用深度网格变形的点云自编码器

本文提出了一个新的端到端深度自编码器来解决点云上无监督学习的挑战，其中在编码器端强制进行了基于图的增强以促进 PointNet 的局部结构，并且通过新颖的基于折叠的解码器将一个规范化的 2D 网格变形到点云的底层 3D 对象表面上，从而实现了低重建误差。

Dec, 2017

点云去噪的可微流形重建

本文提出了一种基于自编码器的 3D 点云去噪方法，该方法通过学习嵌入式邻域特征的稀疏点的局部和非局部特征表示，对 3D 点云中的噪声进行去除，并通过重建的流形重新采样得到去噪后的点云，该方法在合成噪声和真实世界噪声下均表现出显著的性能优于现有的去噪方法。

Jul, 2020

使用自适应实例规范化的点云卷积解码器

本文提出了一种使用自适应实例规范化的卷积点云解码器 / 生成器方法，以改进自动编码点云的常用 Chamfer 距离的最小化扩展，并证明了小心采样对于点云生成过程非常重要。该方法在点云上采用自动编码设置进行了定量和定性分析，结果表明该解码器能够在多个实验中胜过目前已有的技术。

Jun, 2019

点云自监督学习的遮掩式判别

本研究提出了一种基于 Transformer 的具有区分性的掩码预训练框架 MaskPoint，该框架使用离散的占用值表示点云，通过简单的二元分类来代理掩盖的对象点和采样的噪声点，从而使其具有鲁棒性。该预训练模型在多个下游任务中表现优异，包括 3D 形状分类、分割和真实世界物体检测。

Mar, 2022

学习局部位移实现点云补全

该研究提出一种新的方法，使用基于 3D 点云的局部扫描来完成物体和场景的自动化补全，并通过使用特定的编码器 - 解码器结构以及三个特殊开发的新型层来实现。该方法在对象和室内场景自动补全任务中表现出优异的性能，并提高了技术水平。

Mar, 2022

通过遮挡完成的无监督点云预训练

通过遮挡数据重建来对点云进行预训练处理，证明该方法能显著提升不同数据集和编码器的下游任务精度，特别是在对象分类和分割方面比以往预训练方法表现更优。

Oct, 2020

点云几何压缩的基于补丁的深度自编码器

本文提出了一种基于块的压缩算法，使用深度学习对点云的几何信息进行有损压缩，并取得了优于现有算法的压缩比。该算法在编解码时将点云划分为块进行压缩，使用局部重构误差作为优化标准，保证压缩后的点数与原始数据相等。同时，该算法的网络模型还可方便地应用于同类问题，例如点云上采样。

Oct, 2021

通过图拓扑推理和过滤进行三维点云深度无监督学习

本文提出了一种深度自编码器，其中包括了图形拓扑推断和过滤模块，以实现对非结构化 3D 点云的紧凑表示，在无监督的情况下处理原始 3D 点云，优于其他目前的方法，进一步提高了无监督学习性能。

May, 2019

深度点云压缩保密度

本研究提出了一种新型深度点云压缩方法，可以有效保留本地密度信息，采用自动编码器的方式进行降采样和上采样操作，通过密度嵌入、本地位置嵌入和先祖嵌入等方式编码点云局部几何和密度，并在解码时预测每个点的上采样因子和方向尺度，同时也可以压缩点云属性。实验结果表明，该算法在 SemanticKITTI 和 ShapeNet 数据集上实现了最先进的码率失真平衡。

Apr, 2022

学习的点云压缩用于分类

基于 PointNet 的新型点云编解码器，在机器任务分类中实现了更好的速率 - 准确性平衡，相对于非专用编解码器在 ModelNet40 数据集上达到了 94% 的降低 BD 比特率。对于低资源终端设备，我们提出了两种轻量级编码器配置，在 BD 比特率降低 93% 和 92% 的同时，仅消耗了 0.470 和 0.048 的编码器端 kMACs / 点，并降低了 3% 和 5% 的 top-1 准确率，为今后更复杂的任务和数据集提供了专用编解码器的潜力和基础。

Aug, 2023