规范姿态下的自监督胶囊

Dec, 2020

Canonical Capsules: Self-Supervised Capsules in Canonical Pose

Weiwei Sun, Andrea Tagliasacchi, Boyang Deng, Sara Sabour, Soroosh Yazdani...

TL;DR本研究提出了一种自监督胶囊体系结构用于 3D 点云，其通过置换等变性注意力计算对象的胶囊分解，并通过随机旋转对象对进行训练。我们的关键思想是将注意力掩码聚合成语义关键点，并使用这些来监督满足胶囊不变性 / 等变性属性的分解，从而使训练具有语义一致的分解，同时还可以学习一种使对象集中化推理的标准化操作。通过自监督学习对象集中的表示，我们的方法在 3D 点云重建，规范化和无监督分类方面优于最先进的方法。

Abstract

We propose a self-supervised capsule architecture for 3d point clouds. We compute capsule decompositions of objects through permutation-eq

self-supervised capsule architecture 3d point clouds attention masks object-centric reasoning

发现论文，激发创造

利用 SE（3）等变性进行自监督分类目标位姿估计

该研究提出了一个基于自监督学习框架和 SE (3) 等变点云网络的类别级别物体位姿估计方法，可在没有真值姿态注释、CAD 模型和多视图监督的情况下，从单独的 3D 点云中进行类别级别的六自由度物体位姿估计，并在多个基准测试上验证了该方法的有效性。

Oct, 2021

利用自监督形状与姿态网络从图像集合转换为点云

提出了一种深度学习技术，用于从单个图像进行三维物体重建。与以往的方法不同的是，该方法使用只有单一视角的图像进行训练，并具有自我监督学习能力，可实现与使用更多监督信息的方法相媲美的性能。该方法还可以进行测试时间优化。

May, 2020

通过方向估计进行点云的自监督学习

本文提出了一种基于 3D 自监督学习的点云学习方法，通过旋转点云实现无标签的自我监督，在形状分类和 3D 关键点预测等任务上表现出色，学习到的特征优于其他自监督方法。

Aug, 2020

CAPNet：使用 2D 监督的连续近似投影进行 3D 点云重建

提出了一种名为 CAPNet 的不可分辨投影模块，采用多个前景掩膜作为监督数据，通过连续逼近点云点来建立投影模型，通过 'affinity loss' 损失公式规避了稀疏投影问题，显著优于现有基于投影的方法，可在缺乏大量 3D 数据的情况下构建高质量 3D 重建。

Nov, 2018

通过自监督的球形 CNN 学习定向表面

本文提出了一种基于 Spherical CNNs 的自我监督训练的方法，能够学习并识别 3D 形状的标准方向，该方法被称为 Compass，并在多个公共数据集上实验，证明了其有效性。

Nov, 2020

3D 点胶囊网络

此论文提出了 3D 点胶囊网络作为自动编码器的一个改进，它能处理稀疏的三维点云数据并保留其空间结构。动态路由和其独特的二维潜在空间使其改进了几个与点云相关的常见任务，如物体分类、物体重建和部分分割，并能使其实现部分插值和替换。

Dec, 2018

基于扩散驱动的自监督学习用于形状重建和姿态估计

我们引入了一种扩散驱动的自监督网络，用于多目标形状重建和分类姿态估计，并且仅利用形状先验信息，通过点卷积层和图卷积层来捕捉姿态特征和形状信息，通过预训练和精炼的自监督训练范式训练我们的网络。实验证明，我们的方法明显优于最先进的自监督分类级别基准，并且甚至超过一些全监督实例级别和分类级别方法。

Mar, 2024

三维点云的四元数等变胶囊神经网络

提出一种能够处理点云的三维胶囊模块，它对于三维旋转和移动具有等变性，并且对于输入点的排列具有不变性；该模块通过四元数上的新颖动态路由过程来建立端到端的变换等变性；此外，作者在理论上将胶囊之间的动态路由与欧几里德旋转平均算法相连接，通过此连接，证明了这种路由方式能够被解释为对胶囊投票进行鲁棒的旋转平均，进而在大型数据集上进行了实验验证。

Dec, 2019

基于自监督的类别级联物体姿态估计与部件级 SE (3) 等变性

这篇论文提出了一种基于自监督学习的方法，通过部分等变形状分析提取规范形状和物体姿态，再通过刚性变换描述部件从规范空间到相机空间的转换，实现未知关节感知物体的层次化姿态估计。

Feb, 2023

3DCapsule：将胶囊架构扩展到 3D 点云分类

本文介绍了 3DCapsule 的概念，它是最近引入的 Capsule 概念的 3D 扩展，可以应用于无序点集。通过引入 ComposeCaps 层以替代空间相关的特征映射，学习可以被 3DCapsule 应用的新映射。通过消融实验表明，在其他 3D 点集分类架构中应用 3DCapsule 时，其性能得到改善，特别是在噪声数据方面。与最先进的方法进行比较得到本方法的性能优于传统方法。

Nov, 2018