SoftPoolNet: 点云完形与分类的形状描述器
我们提出了一种新的卷积算子,用于点云完成的任务。我们的方法的一个显著特点是与相关工作相反,它不需要任何最大池化或体素化操作。我们的算子不断提取具有置换不变性的特征,以保留细粒度的几何细节,通过对特征激活的软池化,从而学习编码器中的点云嵌入。通过特定设计的跳跃连接,将对应层之间的链接建立在编码器和解码器之间,以克服这类结构常见的限制,同时在点云完成任务中达到了最佳性能。
May, 2022
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
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
本文提出了一种新的基于学习的方法 ——Point Completion Network(PCN),该方法直接在原始点云上操作而不需要任何结构假设或注释,并且其解码器设计可以在保持参数数量较小的同时生成精细的完整点云。实验结果表明,PCN 在处理各种不完整和噪声的输入时可以产生密集、完整、具有现实结构的点云。
Aug, 2018
Point cloud completion using a self-supervised framework called Partial2Complete (P2C) that utilizes incomplete point clouds to predict masked patches by learning prior information from different partial objects, incorporating a region-aware chamfer distance and a normal consistency constraint, and demonstrating comparable results to methods trained with complete shapes.
Jul, 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
本文提出 PointNet 网络,通过直接消耗点云数据并尊重其排列不变性,实现了一个统一的架构,可用于物体分类、局部分割和场景语义解析等多种应用,并在理论和实验方面都有较好表现。
Dec, 2016
本文介绍了使用一维全卷积网络对点云数据进行语义标记的方法,该方法直接分析经过地形归一化后的点,并结合光谱数据以学习上下文特征。我们的方法不需要手动提取特征,且在多个方面上比传统方法表现更优越,其中包括利用 ISPRS 3D 语义标注竞赛数据获得了 81.6% 的准确率,F1 分数比最高准确率方法高 1.69%。此外,本文还展示了该方法可轻松扩展到 2D 语义分割任务。
Oct, 2017
本文介绍了使用基于体素的网络和边缘生成(VE-PCN)来实现点云补全的方法,该方法采用多尺度网格特征学习来生成更真实的表面细节,并在公开数据集上进行了评估,表现优于现有的最先进方法。
Aug, 2021
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