ECCVJul, 2020

离散点流网络用于高效点云生成

PDF
TL;DR该研究论文探讨生成模型在三维点云形状建模方面的应用，提出一种基于归一化流和仿射耦合层的潜在变量模型，用于生成、自编码和单视角形状重构任务，相较最近的基于 GAN 和基于连续流的模型，该模型在训练和推理速度上有明显提升，并在特定指标上实现了优于其他模型的表现，包括单视角形状重构等。
发现论文，激发创造
  • PointFlow：使用连续归一化流进行三维点云生成

    本文提出了一种基于一级形状分布和二级点分布的概率框架，通过 PointFlow 学习两个级别的分布，并采用连续归一化流训练，进而生成 3D 点云，实现了无监督学习和重建点云，达到了最先进性能。

    Jun, 2019

  • 3D 点云的生成模型

    本研究的目的是通过实验转换编码器、潜空间流模型和自回归解码器等方法来改进点云潜空间生成模型的性能，并对这些模型在不同物体类型上的生成和重构性能进行分析和比较。

    Feb, 2023

  • 拓扑感知的三维点云生成图形流

    该研究提出了一种具有多个潜在标签的流式生成模型 ChartPointFlow，以生成和重建 3D 点云，并在无监督分割方面表现优异。

    Dec, 2020

  • C-Flow：用于图像和 3D 点云的条件生成流模型

    通过引入一种新的条件方案 C-Flow，该研究将基于流的生成模型扩展到了全新的场景，针对多模态数据建模，包括图像、分割图和边缘掩膜等。还针对无序 3D 点云建立了新的策略，并针对三维重建、图像渲染和多模态图像之间的映射提出了应用，以及实现了高度可适应性的应用。

    Dec, 2019

  • PD-Flow：一种带有归一化流的点云去噪框架

    介绍一种基于深度学习、归一化流以及噪音解缠技术的点云去噪方法，通过对噪声进行解缠并建立欧几里得空间和潜在空间之间的映射，从而实现高精度的去噪。在合成和真实世界数据集上的定性和定量实验表明，其性能优于现有的基于深度学习的方法。

    Mar, 2022

  • 单张图像的三维物体重建点集生成网络

    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

  • 离散序列的潜在正则化流

    提出了一种基于 VAE 的生成模型，该模型联合训练了基于正则化流的潜在空间分布和到观察到的离散空间的随机映射，解决了直接对离散序列应用正则化流所面临的挑战，并具有可比拟的性能和流灵活性。

    Jan, 2019

  • 学习 3D 点云的表示和生成模型

    该论文探讨了点云作为表示几何数据的方法，利用深度自编码器网络来提高 3D 识别及形状编辑的表现，并对不同的生成模型进行了研究，发现在 AE 的潜在空间中训练的高斯混合模型具有最佳的生成效果。

    Jul, 2017

  • 学习 3D 点云中的场景流

    本研究提出了一种新颖的神经网络模型 FlowNet3D，该模型旨在从点云数据中学习场景流，该模型可以通过扫描定位和运动分割等多种应用，对 Lidar 扫描等多种实际场景进行高效准确的场景流处理。

    Jun, 2018

  • 稀疏潜点扩散模型控制的带限网格生成

    通过设计一种新颖的稀疏潜点扩散模型，将点云作为中间表示建模并控制生成的网格的整体结构和局部细节，以提高效率和可控性，实现了在生成质量和可控性方面与现有方法相比优越的网格生成。

    Mar, 2023