Aug, 2020

SymmetryNet：从单视角 RGB-D 图像中学习预测 3D 形状的对称性（反射对称性和旋转对称性）

HTML
PDF
TL;DR本篇研究提出了一种深度神经网络方法，可以从单视角RGB-D图像中检测三维物体的反射和旋转对称性，并可以预测其对称轴和对称对应关系，同时具有极强的泛化能力，能够处理不同形状、多重对称以及新物体种类的情况。
发现论文，激发创造
  • 超越平面对称性：模拟野外环境下人类对反射和旋转对称性的感知

    本论文介绍了 Sym-NET，这是第一个用于检测深度学习神经网络的反射和旋转对称性的模型，在人类感知的对称性、基于图像的计算机视觉竞赛中获得了最佳表现。

    Apr, 2017

  • 多零件场景下对称感知的三维物体检测和位姿估计评估

    本研究旨在解决3D物体检测与姿态估计的评估问题，通过自动技术生产全注释RGBD数据的多个对象，并提出一致的评估方法和数据集，以获得更高的性能表现。

    Jun, 2018

  • 关于物体对称性与图像中的6D姿态估计

    本文研究了对象的对称性与其在图像中的出现之间的联系，并提出了一种基于姿态旋转归一化的简单有效的解决方案，并在 T-Less 数据集上验证了该方法。

    Aug, 2019

  • PRS-Net：三维模型平面镜像对称性检测网络

    本文提出了一种基于卷积神经网络的无监督学习框架，以自动发现三维形状的全局平面镜像对称性，并可识别广义圆柱体旋转轴。该方法相较于现有基于采样的方法快数百倍，即使在有噪音或不完整的输入表面数据下也很稳健。

    Oct, 2019

  • NeRD: 神经网络 3D 对称性反射探测器

    本研究介绍了NeRD，一种神经3D反射对称性检测器，可以准确地恢复对象的镜像平面的法线方向，并证明检测到的对称性可用于提高下游任务（如姿态估计和深度图回归）的性能。

    Apr, 2021

  • 从部分点云中循环估计反射对称平面

    该论文提出了一种新的方法，使用二维卷积递归回归方案，通过对高度维度的切片来处理3D数据，并设计了一种估计平面对称性的方法，既可以处理完整的数据，也可以处理真实世界的部分扫描数据，以提高三维物体探测器的输出。

    Jun, 2021

  • 通过极化匹配卷积学习发现反射对称性

    使用极线匹配卷积技术，通过引入极向特征汇集、自相似编码和不同角度轴的系统内核设计消除了普通卷积神经网络的旋转和对称不变的限制，并通过数据集增强的自监督学习策略，成功地从真实世界的图像中发现对称图案，证明了该方法具有更高的准确性和鲁棒性。

    Aug, 2021

  • 通过等变学习进行反射和旋转对称性检测

    该研究提出了一种基于等变特征表示的群等变卷积神经网络(EquiSym)，用于检测具有反射和旋转对称性的图像中的对称性模式，并在新的DENDI数据集上取得了最佳表现。

    Mar, 2022

  • 打破对称性：解决等变神经网络中的对称歧义

    本文研究了等变网络在处理对称任务时的歧义性，并提出了解决方法：通过添加组件解决对称歧义问题并使其在处理平面对称性输入时具有旋转等变性，提出了一种称为OAVNN的向量神经元网络，通过左右分割任务对其进行了评估，发现网络能快速准确地完成分割任务，并希望这项工作能够推动对等变网络在对称对象上表达能力的研究。

    Oct, 2022

  • 基于对比学习和地理点云块的三维几何部分对称性检测

    对于各种下游任务（如3D几何完成、分割、压缩和结构感知形状编码或生成），对称性检测，特别是局部和外在对称性，是至关重要的。为了检测局部外在对称性，我们提出通过对比学习来学习旋转、反射、平移和尺度不变的局部形状特征，这些特征在多个类别和不同数据集上都具有鲁棒性和泛化性。我们展示了我们的方法能够提取多个正确解决方案，以解决这个模糊的问题。此外，我们引入了一个新的基准测试，用于评估我们的局部外在对称性检测方法。最后，我们将检测到的对称性与区域增长算法相结合，以实现一个下游任务，即计算对称感知的3D形状的划分。据我们所知，我们是第一个提出自监督数据驱动局部外在对称性检测方法的人。

    Dec, 2023