CVPRMay, 2020

基于分层折叠的跳过注意力网络的点云补全

PDF
TL;DR本文提出了一种 Skip-Attention Network（SA-Net）算法，以增强点云补全任务中原始点云局部结构信息的提取过程，该算法通过 skip-attention 机制实现选取不同分辨率下不同局部结构信息的编码。实验表明，SA-Net 算法在形状完整性生成上的性能好于当前的措施。
point cloud completionskip-attention network3d objectslocal structure detailsgeometric information
发现论文，激发创造
  • PointAttN: 点云补全只需注意力

    利用跨注意力机制和自我关注机制设计新型神经网络 PointAttN，消除了现有方法中局部区域划分对点云密度分布敏感的问题，其在处理点云的过程中以点为基本单位进行计算，以简单而有效的方式直接建立点之间的短程和长程结构关系，因此可以精确地捕捉三维形状的结构信息，并预测具有高度详细几何形状的完整点云。PointAttN 在 Completion3D 和 PCN 等流行基准测试中优于现有技术的表现，代码可在 https URL 上获取。

    Mar, 2022

  • 自我监督的点云补全级联优化网络

    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

  • 基于骨架连接的点云补全：从全局推断到局部调整

    通过预测三维骨架以及从骨架点学习偏移量，提出了一种骨架桥接点完形网络（SK-PCN），将形状完形分解为结构估计和表面重建，并采用本地调整策略合并输入点云以进行表面细化。实验表明，相比于现有方法，该方法在点云和网格完成的各个对象类别上表现更好。

    Oct, 2020

  • 三维点云语义分割的点注意力网络

    本研究提出了一种点关注网络，它可以在对 3D 点云进行语义分割时学习丰富的本地形状特征和上下文相关性，并代替传统卷积核或参数共享机制来更有效地处理稀疏的 3D 点云。实验表明，该算法能够与现有的最先进方法同等或更好地处理各种 3D 点云。

    Sep, 2019

  • 基于深度八叉树卷积神经网络的输出引导跳跃连接用于 3D 形状和场景完整性

    用深度学习方法，采用 O-CNN 和 U-Net 结构，在保留输入几何形状和从数据中学习几何形状之前，通过引入新的输出引导跳过连接的网络结构对输入的嘈杂和不完整形状或场景进行了完整性处理，并在三维形状完整性和语义场景计算方面取得了最先进的结果。

    Jun, 2020

  • 点云完整性的级联细化网络

    提出了一种级联细化网络结合粗到细的策略，通过考虑局部输入的细节和全局形状信息，保留了不完整点集中的现有细节，生成高保真度的缺失部分，并设计了一个补丁鉴别器来学习复杂的点分布，实验结果表明在 3D 点云完成任务中，我们的方法优于现有最先进的方法。

    Apr, 2020

  • 类别不可知形状补全的去噪和对比度

    本文介绍了一种深度学习模型，利用自我监督的力量来进行三维点云补足，估算缺失的部分和周围的上下文区域。

    Mar, 2021

  • 使用深度神经网络进行高分辨率形状补全，进行全局结构和局部几何推断

    本文提出一种基于深度学习架构的数据驱动方法来恢复三维形状的缺失部分，该方法包含全局结构推断网络和局部几何细化网络，并在六个实体类别上进行了定性和定量评估，表明优于现有的形状完成工作。

    Sep, 2017

  • Point-PC: 基于因果推断的先验知识引导的点云补全

    本研究提出了一种新的点云完整性方法 Point-PC，使用记忆网络检索形状先验，并设计了有效的因果推断模型来选择缺失的形状信息以帮助点云完整性。

    May, 2023

  • CloudAttention：用于 3D 点云学习的高效多尺度注意力方案

    使用集合转换器在分层框架中对点云进行形状分类和分割，实现了状态 - of-the-art 的性能，并可用于处理大规模稀疏数据。

    Jul, 2022