Oct, 2020

Torch-Points3D: 一个模块化多任务框架，用于在 3D 点云上可重现的深度学习

PDF
TL;DRTorch-Points3D 是一个开源的框架，其模块化设计、高效实现和用户友好的接口使其成为研究和产品化的有用工具，在 3D 深度学习研究中旨在标准化更高层次的透明度和重现性，降低其门槛。在本文中，我们介绍了 Torch-Points3D 的设计原则，以及在多个数据集和任务上，多种最先进算法和推理方案的广泛基准测试。Torch-Points3D 的模块化设计使我们能够设计公正而严格的实验协议，在相同条件下评估所有方法。
torch-points3d3d deep learningmodular designbenchmarksreproducibility
发现论文，激发创造
  • 使用 PyTorch3D 加速 3D 深度学习

    本文介绍了 PyTorch3D，一个用于 3D 深度学习的模块化、高效且可微分的操作库，包括一个快速、模块化和可微分的渲染器，通过合成分析方法来预测出优秀的 3D 网格和点云，它比其他可微渲染器更加模块化和高效，在大型网格和图像方面也更具优势，能在提高速度和内存性能的同时扩展性更灵活。

    Jul, 2020

  • CT3D++：基于关键点引导的通道注意力变换提升 3D 物体检测

    通过引入两个旨在准确高效地检测和定位三维空间中物体的 3D 物体检测框架，本文目的是解决当前 3D 检测的灵活性和可伸缩性不足的问题，并在 KITTI 数据集和大规模 Waymo 数据集上取得最先进的性能。

    Jun, 2024

  • 一个统一的基于点的 3D 分割框架

    针对 3D 点云的分割问题，我们提出了一种新的点云分割框架，该框架能有效地优化整个场景的像素级特征，几何结构和全局上下文先验。实验结果表明，该方法优于现有的一些最先进的方法，并探讨了在三维重建场景中合成相机姿态以获得更高的性能。

    Aug, 2019

  • Points-to-3D: 连接稀疏点和可控制的文本生成 3D 模型

    通过结合 2D 和 3D 扩散模型，Points-to-3D 提出了一种灵活的框架，将稀疏但自由可用的 3D 点引入文本到 3D 生成过程中，实现形状可控且更逼真的 3D 生成。

    Jul, 2023

  • 2D3D-MatchNet：学习在 2D 图像和 3D 点云之间匹配关键点

    本研究提出了一种名为 2D3D-MatchNet 的深度网络结构，能够直接从图像和点云中的 2D 和 3D 关键点描述符中匹配和建立 2D-3D 对应关系，并用于视觉位姿估计，结果表明该方法是可行的。

    Apr, 2019

  • 文本和 3D 点云的联合表示学习

    本文提出了一种新型的 Text4Point 框架，通过利用 2D 图像作为连接点云和语言模态的桥梁，建立图像和点云的对应关系，从而通过对比学习将其对齐；并进一步引入文本查询模块，查询点云特征的文本嵌入，将语言信息整合到 3D 表示学习中，提高各种下游任务的性能。

    Jan, 2023

  • CorrNet3D: 3D 点云密集对应的无监督端到端学习

    本文介绍了一种基于无监督和端到端深度学习的框架 CorrNet3D，以学习 3D 形状之间的密集对应关系，并证明了其相对于最先进的方法具有更好的性能，源代码和预先训练好的模型可通过链接获得。

    Dec, 2020

  • Triangle-Net：面向点云学习的鲁棒性

    提出了一种基于图结构和神经网络的方法，能够同时实现旋转、平移、缩放的不变性以及点云稀疏程度的稳健性，此方法在模型识别与检索任务方面，其性能可显著提高。

    Feb, 2020

  • Semantic3D.net：一个新的大规模点云分类基准

    本文介绍了一个新的 3D 点云分类基准数据集，其中包含超过 40 亿个手动标记的点，用于数据密集型的（深度）学习方法。使用深度卷积神经网络（CNNs）作为工作马的初始提交已经显示出相对于现有技术具有显著的性能改进。我们提供了基线方法描述和通过我们的在线系统提交方法之间的比较。我们希望 Semantic3D.net 能够为 3D 点云标注中的深度学习方法铺平道路。

    Apr, 2017

  • PointNet：基于点集的深度学习用于三维分类和分割

    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