ICCVFeb, 2021

学习 3D 点云表示的点集距离

PDF
TL;DR本文针对 3D 点云，研究了不同距离度量方法的效果，提出使用切片 Wasserstein 距离和其变体来学习 3D 点云的特征表示，并介绍了一种估算切片 Wasserstein 距离的新算法，实验证明该方法能提高神经网络的学习效率，并在 3D 计算机视觉中展示了其在多个任务中的有效性。
3d point cloudsdistance metricswasserstein distanceneural networkcomputer vision
发现论文，激发创造
  • 通过切片 Wasserstein 距离优化的同胚形变用于大脑皮层表面重建

    使用切片 Wasserstein 距离，基于概率测度的 Mesh 变形方法进行了研究。使用神经常微分方程 ODE 对输入的 Mesh 表面进行变形，其结果在多个数据集和指标上均超过了其他竞争方法。

    May, 2023

  • 立体地球切片瓦塞尔斯坦距离

    本论文介绍了一种用于比较球形概率测度的高速、高度并行化的距离度量方法 ——Stereographic Spherical Sliced Wasserstein (S3W) 距离，并通过广泛的理论分析和数值研究评估了该距离与最近基准方法在速度和准确性方面的表现。

    Feb, 2024

  • 利用稳健的基于切片瓦砾斯坦距离和拉普拉斯 - 贝尔特拉米特征映射的多尺度非刚性点云配准

    本文提出了一种基于 Laplace-Beltrami 本征映射和最优输运理论的非刚性变换点云配准方法，使用切片式 Wasserstein 距离进行建模和处理。

    Jun, 2014

  • 增强的切片 Wasserstein 距离

    本文提出了一种名为增广矢量切片距离（ASWDs）的新的距离度量方式，通过将样本映射到由神经网络参数化的高维超曲面上，使得它们能够捕获数据分布的复杂结构，实验结果表明，ASWD 在合成和实际问题上均明显优于其他 Wasserstein 变体。

    Jun, 2020

  • 可学习的点云重建之零件度量距离

    通过动态地关注具有一组可学习网络控制的不同权重分布的匹配距离，我们提出了一种简单但有效的重构损失，即可学习的 Chamfer 距离（LCD）。通过训练对抗策略，LCD 学习搜索重构结果中的缺陷，并克服了静态匹配规则的缺点，同时还可以保证低迭代次数时的性能，并且具有更快的收敛速度和可比较的训练效率。

    Dec, 2023

  • 球形切片 - 瓦热斯坦

    本文介绍了一种新的基于球面的 Sliced-Wasserstein 距离测度方法，该方法基于对圆上 Wasserstein 距离的封闭解和球面 Radon 变换的新构建，从而使得 SW 的差异测量得以扩展至流形，同时该方法的高效实现有助于在球面数据表示的机器学习应用中实现样本采样、密度估计和超球自编码器等。

    Jun, 2022

  • 基于 Sliced Wasserstein 距离的无监督域自适应

    本文提出了一种基于任务特定决策边界和 Wasserstein 度量的领域自适应的特征分布对齐方法，即切片 Wasserstein 差异。实验表明该方法在数字和标志识别、图像分类、语义分割和目标检测上都具有有效性和普适性。

    Mar, 2019

  • 近线性时间内逼近二次传输度量

    该研究提出了一种基于熵正则化、近似 Sinkhorn 缩放和高斯核矩阵低秩逼近的算法，用于计算两个点云或离散分布之间的二次输运度量（也称为 2-Wasserstein 距离或均方根距离），其复杂度为 O (n)。

    Oct, 2018

  • 使用 Wasserstein Loss 进行学习

    本文提出了一个基于 Wasserstein 距离的多标签学习损失函数，基于概率度量体提供了一种自然的概念。该算法可以有效鼓励模型在输出空间中使用所选度量的平滑性，并用 Yahoo Flickr Creative Commons 数据集上的标签预测问题验证了性能。

    Jun, 2015

  • Cramer 距离作为解决偏置 Wasserstein 梯度的方案

    本文研究了概率分歧度量的性质，比较了 Wasserstein 度量与 Kullback-Leibler 分歧的差异，提出 Cramér 距离作为一种替代度量并设计了 Cramér 生成对抗网络，表现显著优于 Wasserstein 生成对抗网络。

    May, 2017