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
本研究提出了一种加权法线估算方法,包括一种新型加权法线回归技术和一项对比度学习预处理过程,在保持特征的同时实现了鲁棒性,处理了噪声和复杂的点云,获得了合成和真实数据集上的最先进性能。
May, 2023
该研究提出了一种基于图神经网络和自适应各向异性核的表面法线估计算法,不需要任何手动特征或预处理,优于现有深度学习方法,在保留尖锐特征和空间等变性的同时,速度和参数效率均为同类算法的两个数量级。
Apr, 2019
本文提出一种基于多补丁拼接的有效法线估计方法。通过使用局部特征聚合和多支平面专家模块等创新手段,实现在降低计算成本和提高鲁棒性的同时,取得了极具竞争力的效果。
Mar, 2021
本文提出使用深度神经网络(DNNs)进行具有较低近似误差的点云法向量估计,其中采用了 Z 方向变换和误差建模作为基本设计原则,并将其与现有最先进的法向量估计方法集成。
Mar, 2023
使用 Transformer 从带有噪声和密度变化的点云中准确预测法线,在合成形状数据集 PCPNet 和真实世界室内场景数据集 SceneNN 上实现了最先进的性能,表现出更强的抗噪性和显著更快的推理速度,同时证明了现有工作中的复杂手工设计模块在表面法线估计任务中并非必需。
Jan, 2024
本文介绍了一种基于神经网络的 3D 点云去噪架构,使用深度学习技术进行去噪,将超过 40000 个采样点的 3D 数据进行网络训练,使用 350 个数据集进行测试,结果表明该算法具有更好的去噪性能和更小的方差。
本文提出了一种精确高效的方法,用于处理非结构化三维点云上的噪声与非均匀密度,并通过图卷积特征表示学习局部邻域几何信息进行法向量估计,设计了基于注意力机制的自适应模块,进一步增强了法向估计器对点密度变化的鲁棒性,并引入多尺度结构提取图块来学习更丰富的几何特征,在多个基准数据集上实现了最先进的精度和较强的噪声鲁棒性。
Jul, 2022
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
介绍一种基于深度学习、归一化流以及噪音解缠技术的点云去噪方法,通过对噪声进行解缠并建立欧几里得空间和潜在空间之间的映射,从而实现高精度的去噪。在合成和真实世界数据集上的定性和定量实验表明,其性能优于现有的基于深度学习的方法。
Mar, 2022