CVPRMar, 2020

PointGMM：用于点云的神经 GMM 网络

PDF
TL;DR使用分层高斯混合模型和神经网络，提出 PointGMM 模型，既可以用于学习形状类的特征又能与输入点云相符，其生成模型可以生成一种有意义的潜在空间，这使得能够生成现有形状之间的连续插值以及合成新形状。同时，提出了一种利用 PointGMM 进行刚性配准的新框架。
point cloudshierarchical gaussian mixture modelneural networkgenerative modelrigid registration
发现论文，激发创造
  • 学习 3D 点云的表示和生成模型

    该论文探讨了点云作为表示几何数据的方法，利用深度自编码器网络来提高 3D 识别及形状编辑的表现，并对不同的生成模型进行了研究，发现在 AE 的潜在空间中训练的高斯混合模型具有最佳的生成效果。

    Jul, 2017

  • DeepGMR: 学习用于配准的潜在高斯混合模型

    引入了 DeepGMR 算法，该算法是首个显式利用概率注册范例的基于学习的点云配准方法，利用混合高斯模型模拟两点云之间的概率分布，通过神经网络和两个可微计算块进行配准，从而实现产生全局注册方法的目的。该方法在合成和真实数据上均表现出比几何和基于学习的配准方法更好的性能。

    Aug, 2020

  • 使用高斯混合树快速准确的点云配准

    本文提出了一种新的基于分层高斯混合模型 (GMM) 表征的分层多尺度点云数据表示方法，采用 GPU 并行处理计算数据分割，通过动态选择细节程度和空间分布特征来实现以上 3D 感知问题的数据关联；与之前的点云最近点迭代算法和基于 GMM 技术的算法相比，在保证 MLE 准确的前提下，实现了对数级时间的高效数据关联，能够更快速准确地处理多种类型的 3D 数据集。

    Jul, 2018

  • 高斯混合模型的直接拟合

    该论文提出了一种将高斯混合模型直接拟合于三角网格的新方法，这可提高几何目标的似然性评估，并产生更高质量的 GMMs 以及对于网格和 RGB-D 框架的 3D 配准，该方法具有普适性。

    Apr, 2019

  • 基于层次化点云表示的物体动态建模

    基于连续点卷积的新型 U-net 架构能够自然地嵌入 3D 坐标信息，并通过已建立的下采样和上采样过程进行多尺度的特征表示，从而有效地改进了基于神经网络的三维物体动态建模方法。

    Apr, 2024

  • 基于聚类的点云表示学习用于三维分析

    基于聚类的监督学习方案用于点云分析，通过在点嵌入空间上进行类内聚类来自动发现子类模式，进而重构嵌入空间以提高鲁棒性；该算法在各种 3D 网络架构上表现出明显的改进，并在知名点云分割数据集和 3D 检测中显示出实用性。

    Jul, 2023

  • Point-GNN: 针对点云中 3D 物体检测的图神经网络

    本研究提出了一种基于图神经网络的 LiDAR 点云对象检测方法，采用自动注册机制降低了平移方差，并结合盒子合并和计分运算从多个数据点准确地组合检测结果，在 KITTI 基准测试中，该方法仅使用点云即可实现领先的准确性，甚至胜过融合算法，这显示了使用图神经网络作为三维对象检测的新方法的潜力。

    Mar, 2020

  • 单张图像的三维物体重建点集生成网络

    使用深度神经网络从单一图像中重建 3D 点云坐标，设计了面对真实世界几何转换不变性和地面真实性模糊的问题的新型方法，包括条件形状采样器，能够预测多个可能的 3D 点云。在实验中表现优异，不仅在单图像 based 3D 重建基准测试中胜过现有技术，也在形状补全方面表现出强大性能，有望在多个可能性预测方面表现出色。

    Dec, 2016

  • 点云中高斯实例分割的学习

    本文介绍了利用高斯实例中心网络（GICN）进行 3D 点云的实例分割的新方法，该方法可以有效地选择中心候选项并实现 3D 实例的分割识别。

    Jul, 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