渐进式点云解卷积生成网络
本文介绍了一种使用条件生成对抗网络并以无监督的方式为各种物体创建具有颜色的密集三维点云的方法,并提出了一种点变换器,该变换器通过使用图卷积逐渐增加网络规模。实验结果表明,该网络能够学习和模仿三维数据分布,并产生具有多种分辨率和精细细节的彩色点云。
Oct, 2020
本文提出了一种新的 Interpolated Convolution 操作,即 InterpConv,以解决点云特征学习和理解问题,进一步设计了基于 InterpConv 层的 Interpolated Convolutional Neural Networks(InterpCNNs)来处理点云识别任务,实验表明这种方法可以有效地捕捉细粒度的局部结构和全局形状的上下文信息,并在公共基准测试中取得了最先进的性能。
Aug, 2019
提出了一种用于处理大规模 3D 数据的一般用途的全卷积网络,具有内部将无组织的点云转换为有序结构以通过 3D 卷积处理的能力,可用于许多 3D 任务的通用点云描述符。在语义体素分割,语义部分分割和 3D 场景字幕数据集上进行了评估。
Aug, 2018
使用深度神经网络从单一图像中重建 3D 点云坐标,设计了面对真实世界几何转换不变性和地面真实性模糊的问题的新型方法,包括条件形状采样器,能够预测多个可能的 3D 点云。在实验中表现优异,不仅在单图像 based 3D 重建基准测试中胜过现有技术,也在形状补全方面表现出强大性能,有望在多个可能性预测方面表现出色。
Dec, 2016
本文提出一种基于图卷积层的深度神经网络,能够优雅地处理学习型点云处理方法所遇到的置换不变性问题,通过动态构建邻域图来建立特征的复杂层次结构,与促进接近理想表面的损失相结合,该方法在各种指标上都明显优于现有方法,特别是在高噪声和结构噪声等实际情况下表现尤为稳健。
Jul, 2020
本文提出了一种新的 3D 生成建模框架,使用 2D 卷积运算从多个视角预测 3D 结构,并联合应用几何推理和 2D 投影优化来高效地生成以密集点云形式呈现的物体形状,并引入伪渲染器来合成优化的新深度图,在单张图像 3D 对象重建任务中表现了优越的形状相似性和预测密度。
Jun, 2017
本文提出了一种基于学习的框架,通过自适应地分析输入点云的局部几何结构,设计出轻量级神经网络来统一、排序插值权重以及高阶细化,从而生成具有密集点云的物体 / 场景,并处理非均匀分布和噪声数据,该方法于现实世界中的各种上采样因子都可运作,并在合成和实际数据上均获得了优于现有方法的表现。
Nov, 2020
本研究提出了一种新的方法,使用特定设计的图卷积网络以及结合动态边卷积和图注意力网络,实现对经过重压缩的 3D 视频点云数据的提升和恢复,同时通过更少的参数达到可比较的重建质量,适用于例如自动驾驶中使用的 LiDAR 等边缘计算设备。
Jun, 2023
本文介绍了一个使用 3D 点云进行语义分割和对象识别的卷积神经网络,其中核心是点卷积,这是一种可以在点云的每个点上应用的新型卷积算子,并且网络设计简单且能在语义分割和对象识别任务中获得可比较的准确性。
Dec, 2017
该论文介绍了一种利用轻量级超分辨率网络对点云几何进行压缩的方法,通过将点云分解为基点云和插值模式,用于重构原始点云。通过训练超分辨率网络来获取插值模式的信息,然后将网络参数传输到解码器以帮助点云重构。实验证明了该方法在 MPEG Cat1 和 Cat2 数据集上具有出色的压缩性能。
Nov, 2023