CVPRMay, 2020

ProAlignNet：无监督学习逐步对齐噪声轮廓

PDF
TL;DR提出一个新的 ConvNet 模型 ProAlignNet，通过使用局部相关的相似度度量来训练，能够有效地解决非全局对齐的边缘形状对齐问题，在现实场景下的两个应用中得到了优于现有方法的结果表现。
contour shape alignmentconvnetproalignnetsimilarity metricreal-world applications
发现论文，激发创造
  • ALIGNet: 无监督学习下局部形状无关的对齐

    本文提出一种基于深度神经网络的形状对齐方法，利用形状数据集学习形状感知的先验，以解决传统方法在缺失重要形状部分时失效的问题，并通过各向异性全变分正则化对 ALIGNet 进行约束，从而使其适用于不完整的目标形状。我们展示了 ALIGNet 学习了形状集合的通用期望特征，能够在测试时产生合理的形变。

    Apr, 2018

  • 使用深度惩罚重建紧密对齐数百万图像

    该论文提出了一种基于稠密融合的空间变换器网络和低容量自编码器的无监督联合对准方法，能够在 MNIST 和 LFW 数据集中高精度、鲁棒地对齐数百万张图像，比现有方法具有更好的对齐质量和初始鲁棒性。

    Aug, 2019

  • 端到端弱监督语义对齐

    本文提出了一种基于卷积神经网络和不同 iable soft inlier scoring 模块的语义对齐方法，该方法无需繁琐的手工标注就能实现对不同但具有语义相关性的图像进行参数学习，并从几何上一致的对应关系计算对齐质量，达到了基于多个标准基准的语义对齐的最先进表现。

    Dec, 2017

  • NeuroMorph: 一次无监督形状插值和对应

    我们提出了一种新的神经网络架构 NeuroMorph，采用图卷积和全局特征池化的优美结构，实现了在单次前馈传递中对输入的两个 3D 形状进行平滑插值和点对点对应，其具有无监督学习能力，适用于不同对象类别的非等距对，并在多个基准测试中匹配或超过了最新无监督和有监督方法的表现水平。

    Jun, 2021

  • 弱监督 2D 点集配准的语义匹配

    本文提出了一种卷积神经网络的方法来处理物体相同实例之间的对应关系问题，定义了一个新的基于循环一致性的损失函数来解决 2D 点集的注册问题，并在 Proposal-Flow（PF-PASCAL）数据集上进行了训练和测试，取得了最先进的结果。

    Jan, 2019

  • 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

  • 特征对齐下的无监督部件发现

    本文提出利用无监督学习的方法发现物体的不同部位，通过神经网络构建特征并实现物体识别和部位检测。

    Dec, 2020

  • PairingNet: 一个学习基于对搜索和匹配的图像片段的网络

    我们提出了一种基于学习的图像片段配对搜索和匹配方法，旨在解决复杂的恢复问题。我们的神经网络利用了邻近纹理和轮廓形状信息，展示出了优秀的配对搜索准确性、减少匹配错误和显著减少计算时间的表现。

    Dec, 2023

  • PointCleanNet：学习从稠密点云中去噪和去除异常值

    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

  • PCPNET: 从原始点云学习局部形状属性

    本文提出了一种基于深度学习的点云局部三维形状属性估计方法 PCPNet，采用基于 patch 的学习方法，结合多尺度编码，能在强噪声和多尺度特征的情况下更好地估计法线及曲率等局部形状信息。我们的方法在结构化三角网格训练数据上训练，可以在处理噪声点云时得到比现有技术更好的结果，并成功在形状重构方面得到应用。

    Oct, 2017