提出了一种基于图结构和神经网络的方法,能够同时实现旋转、平移、缩放的不变性以及点云稀疏程度的稳健性,此方法在模型识别与检索任务方面,其性能可显著提高。
Feb, 2020
本文提出了一种基于深度神经网络的点云三角化方法,通过检测三角形垂心来实现,从而避免了枚举所有三角形组合和表面参数化,实现了高效、通用和稳健的三角化。
Jan, 2023
本文提出了一种新的基于学习的网络 DeepDT,用于从点云的 Delaunay 三角化重建物面。它通过多标签监督策略实现结构正则化,并能够在保持丰富几何细节的同时生成不过于复杂的表面,尤其是对于开放场景的内部表面。实验证明 DeepDT 具有较高的性能和泛化能力,并且在时间消耗方面与最先进的方法相当竞争力。
Jan, 2021
本文研究了点云数据如何被有效和高效地投影到 2D 图像空间中,以便于利用传统的 2D 卷积神经网络进行分割,通过引入具有拓扑结构保持特性的图形处理方法,并使用分层逼近算法,结合 Delaunay 三角剖分技术和多尺度 U-Net 网络进行图像分割,取得了 ShapeNet 和 PartNet 的最新成果。
Mar, 2020
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
本文提出了三元组网络模型,通过距离比较来学习有用的表示方法,在多个数据集上的结果显示其比竞争对手孪生网络学习了更好的表示方法,而且还探讨了其作为无监督学习框架的未来可能用途。
Dec, 2014
从多样且非结构化的 Imagenet 数据集中,我们提出了一种从二维图像中重建三维几何模型的方法,使用高效的三平面表示法学习三维模型,并基于 StyleGAN2 的生成器架构对高度多样化的数据集进行调整,通过多视点辨别防止模式崩溃并提升训练稳定性。
Jan, 2024
本论文提出了一种基于局部图表示的点云学习框架,通过学习内部的三维几何特征并使用基于图卷积网络的特征提取网络来实现三维变换不变性,这种方法在分类和分割任务中取得了最先进的性能和有竞争力的性能,具有重要的研究意义。
Dec, 2018
基于可学习的三角测量方法,使用两种新颖方案对多视图 3D 人体姿势估计进行了探索,其中一种使用置信度权重,另一种是基于体积聚合和三维卷积技术,具有端到端可微的特性,提高了 Human3.6M 数据集上的多视图姿态估计表现。
May, 2019
本文通过对三平面离散数据结构进行处理,展示了该结构具有丰富的信息,可以通过标准深度学习模型进行有效处理,并在处理过程中实现了与处理显式表示结构相当的任务性能,同时保持了相同的重建质量。
Oct, 2023