Mar, 2021

基于风格的点云生成器与对抗渲染用于点云补全

PDF
TL;DR本文提出了一种新型样式点生成器（SpareNet），通过具有通道注意性的 EdgeConv 来充分利用点特征中的局部结构和全局形状，将形状特征视为风格代码，以调节折叠过程中的标准化层，提高了其生成复杂和忠实形状的能力，然后将完成的点投影到深度图中并应用对抗性训练来在不同视点下提倡感知逼真度。在 ShapeNet 和 KITTI 上的全面实验验证了我们方法的有效性，展现了超过其他方法的视觉质量和量化性能。
point cloud completionstyle-based point generatoradversarial renderingnormalization layersperceptual realism
发现论文，激发创造
  • PointInverter: 利用具有形状先验知识的生成模型进行点云重建和编辑

    本文提出了一种新的方法，将三维点云映射到三维生成对抗网络的潜在空间。我们的生成模型基于 SP-GAN，它是一种最先进的球引导三维点云生成器。我们提出了一种有效的编码方式，可将输入的三维点云编码到 SP-GAN 的潜在空间中。我们的对点云编码器可以解决反演过程中的点排序问题，从而确定生成的三维点云中的点与生成器使用的规范球中的点之间的对应关系。我们展示了我们的方法在三维点云的 GAN 反演上优于以前的方法，定量和定性地获得了最先进的结果。我们的代码可在此 https URL 上获得。

    Nov, 2022

  • 对抗生成连续的隐式形状表示

    本研究提出了一种基于有符号距离表示的生成对抗神经网络架构，能够生成高保真度的三维模型，并通过使用不同的 progressively growing voxel 网络作为鉴别器以及细化生成器能力的算法，从 ShapeNet 基准数据集中验证了其有效性。

    Feb, 2020

  • 一种用于生成密集且色彩丰富的三维点云的渐进式条件生成对抗网络

    本文介绍了一种使用条件生成对抗网络并以无监督的方式为各种物体创建具有颜色的密集三维点云的方法，并提出了一种点变换器，该变换器通过使用图卷积逐渐增加网络规模。实验结果表明，该网络能够学习和模仿三维数据分布，并产生具有多种分辨率和精细细节的彩色点云。

    Oct, 2020

  • 基于体素的网络，通过利用边缘生成进行形状补全

    本文介绍了使用基于体素的网络和边缘生成（VE-PCN）来实现点云补全的方法，该方法采用多尺度网格特征学习来生成更真实的表面细节，并在公开数据集上进行了评估，表现优于现有的最先进方法。

    Aug, 2021

  • SPU-Net: 自投影优化的自监督点云粗到精重构上采样

    提出了一种自监督的点云上采样方法 SPU-Net，该方法利用深度学习模型和 GCN 捕获点云上采样的内在模式，具有解决真实数据稀疏问题的能力。实验表明，该方法与现有的监督方法相比具有可比性能。

    Dec, 2020

  • SP-GAN：球引导的三维形状生成与操作

    本文介绍了 SP-GAN，一种新的无监督的球形引导生成模型，用于直接合成点云形式的三维形状。SP-GAN 可以合成各种高质量的具有细节和可控性的形状，同时不需要任何零件注释。

    Aug, 2021

  • 单张图像的三维物体重建点集生成网络

    使用深度神经网络从单一图像中重建 3D 点云坐标，设计了面对真实世界几何转换不变性和地面真实性模糊的问题的新型方法，包括条件形状采样器，能够预测多个可能的 3D 点云。在实验中表现优异，不仅在单图像 based 3D 重建基准测试中胜过现有技术，也在形状补全方面表现出强大性能，有望在多个可能性预测方面表现出色。

    Dec, 2016

  • 通过风格调制的生成对抗网络实现多样化的形状补全

    通过引入多样性惩罚和多尺度鉴别器，我们提出了一种新颖的条件生成对抗网络，可以从部分观察到的点云中生成多种多样的合理完整形状，这一方法在尊重部分观测的同时获得了更大的完成多样性。

    Nov, 2023

  • 生成 3D 对抗点云

    本文中提出了多种新算法以攻击 PointNet，这是用于点云处理的广泛使用的深度神经网络，通过点扰动和点生成两种方法来制作对抗性点云。

    Sep, 2018

  • 基于学习的高斯斑晕渲染和微调扩散特征的少样本点云重建和去噪

    利用深度学习方法从少量图像重建和去噪点云，通过使用基于图像的深度学习模型所提取的先验知识来改善约束条件下的重建，并通过引入语义一致性监督来规范化可微渲染器的训练。同时，提出了一种细调稳定扩散算法用于去噪点云的渲染图像，并论证了这些学习的滤波器如何能够去除无需 3D 监督的点云噪声，并与 DSS 和 PointRadiance 方法进行了对比，实现了在 Sketchfab 测试集和 SCUT 数据集上更高质量的 3D 重建。

    Apr, 2024