Nov, 2020

SpinNet：学习一种通用的三维点云表面描述符进行点云配准

PDF
TL;DR本文介绍了一个新的神经架构，称为 SpinNet，旨在提取旋转不变但足够信息丰富以达到精确配准的局部特征。通过空间点变换器和神经特征提取器，可以将输入局部表面映射到经过仔细设计的圆柱空间，并利用点卷积神经层和 3D 圆柱卷积神经层来提取紧凑且代表性的描述符进行匹配。在室内和室外数据集上进行的广泛实验表明，SpinNet 的性能优于现有的最先进技术，并在不同传感器模态下具有最佳的泛化能力。
3d local featuresspinnetneural architectureso(2)point cloud registration
发现论文，激发创造
  • SphereNet: 学习点云配准的噪声鲁棒性和通用描述器

    点云配准研究中，引入了 SphereNet 以学习一个对噪音具有鲁棒性且适用于未知数据集的描述符。通过球体体素化和球面插值等方法，提取特征，并在新的 3DMatch-noise 基准测试中得到了 25% 以上的特征匹配召回率的提升，同时在 3DMatch 和 3DLoMatch 基准测试中取得了最佳性能，具有出色的泛化能力。

    Jul, 2023

  • 旋转不变的三维点云局部到全局表征学习

    本文提出了一种面对各种几何变换，特别是旋转的局部到全局表示学习算法，该算法利用基于图卷积神经网络的多级抽象构建描述符层次结构，以自底向上的方式对输入对象的旋转不变形状信息进行编码，并通过对三维点的随机采样有效地使学习到的表示对输入数据的变化具有鲁棒性。该算法在旋转增强的三维物体识别和分割基准测试上表现出最先进的性能。

    Oct, 2020

  • 通过点云配准重新思考旋转不变性

    该论文从点云配准角度出发，提出一种三阶段框架实现旋转不变性学习，其中包括旋转不变性形状编码、对齐特征整合和深度特征配准等，用于旋转不变性的 3D 形状分类、部分分割和检索任务中。

    Dec, 2022

  • SPE-Net: 通过提高旋转鲁棒性增强点云分析

    本文提出了一种针对三维点云的新型深度架构，称为 SPE-Net，使用内嵌 “选择性位置编码（SPE）” 程序，依靠注意机制有效地关注输入的旋转条件，从而提高优化的性能和鲁棒性，并且相对于 SOTA 方法在旋转和非旋转的数据上都显示出明显的改善。

    Nov, 2022

  • SRINet：用于点云分类和分割的严格旋转不变表征学习

    提出一种对点云数据具有旋转不变性的点投影特征方法，可以提取严格的点云识别和分割的旋转不变表示，无需数据增强，并且优于其他最先进的方法。

    Nov, 2019

  • 半参数感知点网络和神经过程

    介绍了一种半参数感知网络 (SPIN) 的模型，该模型可以在推理时计算，使用了感应点方法中数据点的交互机制，可以支持元学习中的大区域数据，并取得了 state-of-the-art 的性能表现。

    May, 2022

  • PRIN/SPRIN: 关于提取点旋转不变特征的研究

    本文提出了一个全新的点集学习框架 PRIN，即点式旋转不变网络，通过密度感知自适应抽样构建球形信号来解决点云在球形空间上的扭曲分布，运用球形体素卷积和点重采样来提取每个点的旋转不变特征，同时将 PRIN 扩展到一种稀疏版本 SPRIN，直接操作于稀疏点云。两种方法都适用于从对象分类、部分分割到三维特征匹配和标签对齐等任务，结果表明，对于随机旋转点云的数据集，SPRIN 实现了比最先进的方法更好的性能，且无需使用任何数据增强。我们还为方法实现的点式旋转不变性提供了深入的理论证明和分析。

    Feb, 2021

  • SPEAL：基于骨骼先验的注意力学习的跨源点云配准

    本文介绍了一种利用骨架表征进行点云配准的新方法 SPEAL，通过提取点云的骨架特征和拓扑结构，获得点云的几何复杂性，进而提高点云配准的性能。作者还构建了一个名为 KITTI CrossSource 的大规模跨源点云数据集，用于评估该方法在跨源和同源数据集上的优越性和鲁棒性。据我们所知，这是第一个利用骨架几何先验进行点云配准的方法。

    Dec, 2023

  • 独特的三维本地深度描述符

    提出了一种使用 PointNet-based 深度神经网络学习具有区分性的 3D 局部深度描述符 (DIPs) 的简单而有效的方法，该方法可用于在不需要初始对齐的情况下注册点云。

    Sep, 2020

  • SPIN: 结构保持内部偏移网络用于场景文本识别

    本研究介绍了一种可学习的几何无关模块 ——SPIN，该模块允许神经网络主动变换输入强度颜色，以解决场景文字识别任务中的色彩困难问题，并与现有的空间变换模块协同工作，实验结果表明，使用 SPIN 可以显著提高多个文本识别基准的性能。

    May, 2020