CVPRMar, 2020

PointASNL: 使用自适应采样的非局部神经网络进行鲁棒的点云处理

PDF
TL;DR本文介绍了一种名为 PointASNL 的新型端到端网络，旨在有效处理噪声的点云，并通过自适应采样模块和局 / 非局部模块来实现点云的鲁棒特征学习和降噪，并在各种数据集上获得了出色的性能。
发现论文，激发创造
  • 学习加噪标签用于鲁棒性点云分割

    本文提出了一种基于点噪声自适应学习（PNAL）框架的点云分割算法，包括一种基于历史预测的可靠标签点选择和一种投票策略的集群微调方法，有效解决了一些实际场景中存在的标签噪声问题。

    Jul, 2021

  • PointCleanNet：学习从稠密点云中去噪和去除异常值

    本文介绍一种基于深度学习的点云去噪方法，可以对噪声和离群点进行有效的处理，并且能应用于大规模点云数据的处理中，实验表明该方法可以有效提高 3D 重建的稳健性。

    Jan, 2019

  • AVS-Net：3D 点云分析中的自适应体素尺寸点采样

    本研究旨在提出一种高效的下采样方法，该方法利用基于体素的采样技术，并通过自适应调整体素大小和保留关键的几何线索来提高采样的准确性和效率。通过在 ShapeNetPart 和 ScanNet 基准测试上进行实验，我们的方法在准确性和效率方面均表现出了优异的性能。

    Feb, 2024

  • 参数不是万能的：从非参数化网络开始进行 3D 点云分析

    我们提出了一种非参数网络，Point-NN，用于 3D 点云分析，可以作为构建 Parametric Networks 的基本框架，也可作为已训练的 3D 模型的插拔式模块，旨在为社区提供了解非参数方法处理 3D 点云的帮助。

    Mar, 2023

  • 使用随机采样学习大规模点云的语义分割

    本研究旨在提出一种减少计算量、以大规模点云直接推断每个点的语意的神经架构，该方法采用随机采样而非较复杂的点选择方法，然后配备一种新的局部特征汇聚模块以生成具有准确语意的结果，演示数据表明我们的方法具有比现有方法高 200 倍的速度和最先进的分类精度。

    Jul, 2021

  • 点云法线估计的非对称孪生网络

    通过应用合理的约束条件，我们在干净点云和有噪点云上学习得到的内在特征的一致性，提出了一种改进正常估计质量的方法，并引入一个包含不同噪声级别的多视角正常估计数据集，通过评估现有方法在该数据集上的表现发现其过拟合问题，持久实验证明了我们的特征约束机制能够有效改进现有方法并降低当前架构中的过拟合现象。

    Jun, 2024

  • 通过样本选择优化 3D 点云法线估计

    通过引入全局信息和各种约束机制，我们设计了一个基础框架来增强现有模型，同时采用基于置信度的策略选择合理样本进行公平且鲁棒的网络训练，并利用现有的定向方法纠正估计的非定向法线，在定向和非定向任务中实现了最先进的性能。广泛的实验结果证明了我们的方法对广泛使用的基准测试数据集表现良好。

    May, 2024

  • SampleNet: 可微分点云采样

    本文介绍了一种新的差分松弛算法用于点云采样，请参考本文中的公式和实验结果，该方法在点云分类与几何重建等任务上表现优异。

    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

  • RandLA-Net：大规模点云高效语义分割

    介绍了一种名为 RandLA-Net 的高效轻量级神经架构，在大规模点云中通过使用随机采样和引入新的局部特征聚合模块来实现高效的语义分割。经过实验表明，RandLA-Net 在处理 100 万点的规模时比现有方法快 200 倍以上，并在两个大规模基准数据集 Semantic3D 和 SemanticKITTI 上表现优于现有方法。

    Nov, 2019