无监督表面配准的多视角循环对齐网络
我们提出了一种无监督方法 (UnsupervisedR&R),从原始 RGB-D 视频中学习点云配准,通过可微的对齐和渲染,强制实现帧间的光度和几何一致性,实现三维场景的自动对齐。实验结果表明,该方法在室内场景数据集上优于传统方法,并具有竞争力的监督几何点云注册方法。
Feb, 2021
本文提出了一种基于学习的算法,用于变形、两两匹配的三维医学图像注册,通过使用卷积神经网络(CNN)模型并利用一个空间变换层,从而实现快速计算新的扫描成像时的配准场,且无需监督信息。我们可以在不破坏匹配场平滑性的前提下,底层地在一张图像中重构另一张图像,并在实践中将其速度提高数个数量级以上,从而有望显著加速医学图像分析和处理管道的速度,同时促进学习医学图像配准及其应用的新方向。
Feb, 2018
本文提出了一种新型的基于卷积神经网络的非刚性图像配准算法,通过优化和学习不同尺度下的空间变换以及卷积神经网络,实现了对 3D 结构脑磁共振图像更好的配准效果。
Jan, 2018
我们提出了一种无监督数据驱动的方法用于非刚性形状匹配,通过建立层次化基于补丁的形状表示和约束形状匹配的 3D 近刚性变形模型,实现了对噪声和变形具有鲁棒性的匹配。实验证明,相比最先进的方法在原始 3D 扫描数据上获得了显著更好的结果,并在标准测试场景上表现相当。
Nov, 2023
提出了一种新的神经网络训练框架,可以在只有 2D 注释的情况下学习非刚性物体的 3D 信息,该框架通过自动确定适当的旋转解决了非刚性结构运动估计中同时估计旋转和变形的难点,使用损失函数进行训练后,网络可以学习人类骨架和面孔等对象的 3D 结构,在测试过程中可以处理带有丢失入口的输入,实验证明该框架表现优异,即使底层网络结构非常简单,在 Human 3.6M、300-VW 和 SURREAL 数据集上均优于现有最先进的方法。
Jul, 2020
利用数据驱动的方法进行三维重建非常困难,本文通过引入新的半监督策略,成功建立了一个拥有 400 个场景、超过 390,000 个 RGB-D 帧和 5,533 个面对面对齐帧对的数据集,然后利用这个数据集,提出了一个能够应对非常大的非刚性形变的深度学习方法,对比于其他方法,我们的结果优于现有的方法。
Dec, 2019
该论文提出了一种名为 CPD-Net 的新方法,利用深度神经网络实现无监督学习,通过学习位移函数来进行非刚性点集配准,解决了现有方法在大数据集实时点集配准中重复独立迭代搜索的问题,从而实现了对未曾见过的点对进行预测。
Jun, 2019
该研究提出了一种新的注册框架 HumanReg,通过学习两个人体点云之间的非刚性变换,引入了身体先验来有效处理这种类型的点云。与大多数现有的需要昂贵的点对点流注释的监督注册技术不同,HumanReg 可以以自我监督的方式进行训练,借助一组新的损失函数。为了使我们的模型更好地收敛于实际数据,我们还提出了预训练策略以及一个由动态、稀疏人体点云及其自动生成的地面真值注释组成的合成数据集(HumanSyn4D)。我们的实验表明,HumanReg 在 CAPE-512 数据集上实现了最先进的性能,在另一个更具挑战性的真实世界数据集上实现了定性结果。此外,我们的消融研究证明了合成数据集和新的损失函数的有效性。我们的代码和合成数据集可在此 https 网址找到。
Dec, 2023
我们提出了一个基于学习的非刚性形状配准框架,无需对应关系监督,通过学习深度功能图所产生的高维嵌入来指导源网格向目标点云进行形变,动态更新并过滤对应关系以提高稳健性,在未进行对齐的输入下,我们训练了一个基于方向回归器的模型以降低对外在对齐的要求,实证结果表明,我们的方法在多个非刚性点云匹配基准数据集上取得了最先进的结果,并能够在具有显著外在和内在形变的挑战性形状对之间提供高质量的对应关系。
Nov, 2023