ECCVJul, 2020

通过分离特征聚合实现细节保留点云补全

PDF
TL;DR本文提出了两种特征聚合策略 (global&local feature aggregation，GLFA 和 residual feature aggregation，RFA) 来表示缺失的部分和已知的部分，并设计了精细化组件以防止生成的点云具有不均匀分布及异常值。在 ShapeNet 数据集上进行了广泛的实验，定性和定量评估表明我们提出的方法在细节保留方面优于当前最先进的方法。
point cloudshape completionmulti-level featuresfeature aggregationdetail preservation
发现论文，激发创造
  • 学习局部位移实现点云补全

    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

  • 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

  • 点云学习的动态局部特征聚合

    本文提出了一种动态特征聚合 (DFA) 方法，通过在特征域内构建局部图，进行 k - 最近邻探索潜在位置和特征相似性信息，结合原始点云低维全局特征表达，以增强特征表示，从而有效地进行点云分类。

    Jan, 2023

  • 具有质量感知形状补全的鲁棒三维跟踪

    通过形状补全方法构建稠密而完整的点云目标表示，从而实现鲁棒的三维跟踪，并借助体素化的关系建模模块和框精炼模块提高跟踪性能。

    Dec, 2023

  • 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

  • 通过膨胀的图形特征聚合和金字塔解码器进行点云场景的语义分割

    该论文提出了一种名为 DGFA-Net 的图卷积神经网络，该网络应用多尺度感受野和基于金字塔的解码器来进行在点云上的语义分割，实验表明此方法的性能优于现有方法。

    Apr, 2022

  • 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

  • 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

  • FSC：少点形状补全

    通过熵分析发现，即使少量的点，如 64 个点，也能保留足够的信息来帮助恢复物体的三维形状。为了解决极度稀疏的点云形状补全问题，我们提出了 Few-point Shape Completion (FSC) 模型，该模型包含一个处理极度稀疏输入的新型双分支特征提取器，以及一个用于动态重要性分配的极大点利用分支的显著性分支。此外，这个模型还有一个两阶段的修正网络，可以增强提取的特征和解码器输出的细节和真实性。我们的实验证明了从少量点恢复三维形状的可行性。所提出的 FSC 模型在少量点输入和多量点输入上胜过了先前的方法，并且对不同的物体类别具有良好的泛化性。

    Mar, 2024

  • 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