Dec, 2020

基于迭代几何神经网络和边缘感知精炼的联合深度和表面法线估计算法 GeoNet++

PDF
TL;DR本文提出一个新的几何神经网络 GeoNet++，用于从单张图像中联合预测深度和表面法向图，并通过边缘感知提升预测质量。此网络可用于其他深度 / 法向预测框架中，提高了在 3D 重建应用领域的预测质量和像素级精度，并提出了高质量 3D 表面深度预测的新几何度量。
发现论文，激发创造
  • GeoNet: 基于深度测地线网络的点云分析

    GeoNet 是第一个深度学习结构用于对点云表达的曲面的内在结构建模，通过使用 GeoNet 与 PU-Net 和 PointNet ++ 等基线或骨干网络的融合方案来改善多个代表性任务的现有方法，包括点上采样、法向量估计、网格重建和非刚性形状分类。

    Jan, 2019

  • 具边缘感知深度法向一致性的无监督几何学习

    本研究提出了一种基于表面法向量表示的深度无监督学习方法，通过构建深卷积网络层次结构，融入了边缘感知、光度误差和梯度平滑等前沿技术，从而实现单幅图像深度重建过程中的多种挑战，包括深度 / 法向量不连续和图像边缘保留等问题。在实验中，我们应用 KITTI 和 NYUv2 的室内外数据集来验证我们的算法的高效性和优越性。

    Nov, 2017

  • GroundNet: 基于单目相机的地面平面法向估计与几何一致性

    GroundNet 模型通过多任务联合优化像素级表面法线方向、地面平面分割和深度估计，实现从单张图像中估算出地面平面的 3D 方向，通过加入一致性损失优化了地面平面法线预测，并在 ApolloScape 和 KITTI 等真实世界数据集上取得了顶尖水平。

    Nov, 2018

  • GeoNet: 密集深度、光流和相机位姿的无监督学习

    本文提出了 GeoNet，这是一个基于联合无监督学习的框架，可用于从视频中估计单眼深度、光流和 Ego-motion。基于 3D 场景几何关系，由我们的框架以端到端的方式联合学习。实验结果表明，在 KITTI 驾驶数据集中，我们的方法在三个任务中均取得了最先进的成果，优于以前的无监督方法，并与受监督方法相当。

    Mar, 2018

  • 深度迭代表面法线估计

    该研究提出了一种基于图神经网络和自适应各向异性核的表面法线估计算法，不需要任何手动特征或预处理，优于现有深度学习方法，在保留尖锐特征和空间等变性的同时，速度和参数效率均为同类算法的两个数量级。

    Apr, 2019

  • Refine-Net: 噪声点云的法向量优化神经网络

    本文提出一种名为 Refine-Net 的法线细化网络，通过从多个特征表示中提取更多信息并结合一种新的连接模块设计来预测嘈杂点云的准确法线，并使用一种新的多尺度贴合补丁选择方案来进行初始法线估计。该网络是一种通用的法线估计框架。

    Mar, 2022

  • GUPNet++：用于单目三维物体检测的几何不确定性传播网络

    通过概率建模几何投影，提出了一种几何不确定性传播网络（GUPNet++），用于改进单目三维物体检测的准确性和可靠性。

    Oct, 2023

  • FlowNet3D++: 深度场景流估计的几何损失

    FlowNet3D++ 是一个深度场景流估计网络，通过加入几何约束以及提出点云场景预测的全局密集配准流程，显著优于以前的 FlowNet3D 和 KillingFusion 方法，提高了动态三维重建的精度。

    Dec, 2019

  • PUGeo-Net：一个针对三维点云上采样的几何中心网络

    本文提出了一种基于深度神经网络的方法 PUGeo-Net 用于处理点云密集化，从而描述底层几何结构，不仅可用于 CAD 模型的尖锐特征，也可用于具有丰富几何细节的扫描模型，同时实现了生成定点坐标和该点法线并存的任务。

    Feb, 2020

  • 联合基于图形的深度细化和法线估计

    本文提出了一种新颖的深度细化框架，旨在恢复逆深度图的分段平面特征，该框架将逆深度图建模为像素之间的加权图，设计了一种自动估计每个像素平面的正则化项，经过实验证明，该方法在视觉和数值上均相对于 Middlebury、KITTI 和 ETH3D 多视角立体数据集上的最先进算法有重大改进。

    Dec, 2019