PF-Net:用于 3D 点云补全的点分形网络
本文提出了一种新的反馈网络(FBNet)用于点云完整性修复,通过用细粒度特征改进粗略形状的生成,并利用交叉注意力策略来修正现有的特征。在多个数据集上进行的定量和定性实验表明,FBNet 在点云修复任务上的性能比现有最先进的方法更优。
Oct, 2022
通过模拟地球移动的行为,在点云不完整的输入上将每个点移动以完成点云,同时保证点移动路径的总路径最短,我们设计了一种名为 PMP-Net 的新型神经网络实现点云预测。该网络在点级别上学习到了精细的拓扑结构和结构关系,并在 Completion3D 和 PCN 数据集上展示了超越现有技术的优势
Dec, 2020
本文提出了一种基于点扩散和精化的点云补全范式,其中条件生成网络使用去噪扩散概率模型生成粗糙补全, 精修网络进一步改进完成后的点云的质量,并开发了一个新的双向路径架构。 这种架构既能从部分观察到的点云中有效地提取多级特征以指导补全,也能准确地操纵三维点的空间位置以获得光滑的表面和清晰的细节。通过广泛的实验,证明了本文提出的方法在点云完成方面优于以往的最先进方法。值得注意的是,在精细网络的帮助下,我们可以将 DDPM 的迭代生成过程加速 50 倍,而不会影响其性能。
Dec, 2021
本文提出 PPFNet——Point Pair Feature 网络,用于深度学习全局细节感知的三维局部特征描述符,以在无组织的点云中找到对应点。通过在纯几何图形上学习本地描述符,并高度关注全局上下文,实现 3D 表示为点对特征及局部邻域内的点和法向量的组合,并使用新型 N-tuple loss 和架构将全局信息自然地注入本地描述符中,实现量化和定性评价,证明了上述方法在 3D 描述符提取性能中的作用。
Feb, 2018
提出了一种级联细化网络结合粗到细的策略,通过考虑局部输入的细节和全局形状信息,保留了不完整点集中的现有细节,生成高保真度的缺失部分,并设计了一个补丁鉴别器来学习复杂的点分布,实验结果表明在 3D 点云完成任务中,我们的方法优于现有最先进的方法。
Apr, 2020
本文提出了一种用于点云补全和上采样的新型神经网络 PMP-Net++,该网络通过点云的形变过程实现补全。 Transformer-enhanced representation learning 可以进一步提高 PMP-Net++ 的性能。
Feb, 2022
本文介绍了使用基于体素的网络和边缘生成(VE-PCN)来实现点云补全的方法,该方法采用多尺度网格特征学习来生成更真实的表面细节,并在公开数据集上进行了评估,表现优于现有的最先进方法。
Aug, 2021
本文提出了一种新的基于学习的方法 ——Point Completion Network(PCN),该方法直接在原始点云上操作而不需要任何结构假设或注释,并且其解码器设计可以在保持参数数量较小的同时生成精细的完整点云。实验结果表明,PCN 在处理各种不完整和噪声的输入时可以产生密集、完整、具有现实结构的点云。
Aug, 2018
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
该研究提出了一种基于 Cascaded Primitive Fitting Networks 的人造对象检测方法,该方法在点云数据集上能够有效地检测全局和局部的原始形状,并特别提高细粒度原始形状的检测率。
Aug, 2021