点云完整性的级联细化网络
提出了一种基于两个分支的神经网络,用于点云的完形填充,其中第一个分支是连锁的对象完形子网络,第二个分支是一个自编码器,共同利用局部输入和粗糙输出来保留对象细节,并使用相同的特征提取器学习形状完形的全局特征,实验结果表明,该方法在点云完形填充任务上的效果超越了现有技术的方法。
Oct, 2020
本文提出了一种新的方法,通过两个阶段,利用参数化表面元素和采样算法预测粗粒度点云并与输入点云合并来完成部分点云。实验结果表明,该方法在 Earth Mover's Distance(EMD)和 Chamfer Distance(CD)等方面表现优异,优于现有方法。
Nov, 2019
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
Point cloud completion using a self-supervised framework called Partial2Complete (P2C) that utilizes incomplete point clouds to predict masked patches by learning prior information from different partial objects, incorporating a region-aware chamfer distance and a normal consistency constraint, and demonstrating comparable results to methods trained with complete shapes.
Jul, 2023
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
该研究针对 3D 扫描时获得的稀疏、非均匀和嘈杂点云,提出了一种基于多目标的两级级联网络,包括稠密生成器和空间细化器,能够生成密集的均匀点集,同时修补小洞并调整每个点的位置,结果表明该方法优于现有技术。
Jun, 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
本文提出了基于点分形网络的学习方法 Point Fractal Network(PF-Net),用于精确高保真度的点云补全,通过多尺度生成网络进行缺失点云的预测。同时,通过多阶段的补全误差和对抗损失来生成更真实的缺失区域,实验证明了该方法的有效性。
Mar, 2020
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
该研究提出了一种基于深度学习的点云重建网络,采用两个阶段进行密集化、去噪和点云完整性重建,其中使用了变换器进行离散体素向 3D 点的转换,同时提出了放大位置编码模块以优化变换器,实现在 3D 扫描建模领域的最新水平。
Nov, 2021