利用线云和 Line-Patch Transformer 算法,从多视图图像中提取的 3D 线段,生成建筑物结构线框的三维模型,并与多个基线建筑重建方法进行对比,以此验证本研究提出的方法的有效性。
Aug, 2022
本文提出了一种从航空 LiDAR 点云直接回归边缘的端到端三维建筑线框重建方法,通过使用 transformer 的自注意机制,以航空 LiDAR 点云和初始边界实体作为输入,无需角点预测等中间步骤来回归边缘参数;我们提出了一种基于边界相似性的边缘非极大抑制 (E-NMS) 模块来移除冗余边缘;此外,我们使用了专用的边缘损失函数来引导 PBWR 回归边缘参数,简单的使用边缘距离损失并不适合;在实验中,我们在 Building3D 数据集上取得了最先进的结果,边缘精度提高约 36%,在 Tallinn 数据集上提高了约 42%。
Nov, 2023
该论文提出了一种从单个图像中获取紧凑且精确的 3D 线框表示的方法,通过有效地利用全局结构规律,该方法训练卷积神经网络以同时检测显著的交叉点和直线,并预测它们的 3D 深度和消失点,并通过平行结构先验进一步重构完整的 3D 线框模型。
May, 2019
本文提出了一种新颖的端对端深度场景流模型 PointPWC-Net,通过粗到细的方式处理 3D 点云数据,包括新型的成本体量、上采样和变形层来有效地处理 3D 点云数据,利用自监督损失进行训练。实验结果表明,在 FlyingThings3D 数据集上超过了现有技术,并且在未经微调的情况下,在 KITTI Scene Flow 2015 数据集上表现出很好的泛化能力,优于所有先前的方法。
Nov, 2019
本文提出了一种基于结构 - 外观联合表示的模型,可以从线框模型生成室内场景的真实感渲染图像,并在实验中表明,本文所提出的模型比现有技术在生成图像的视觉效果和结构完整性方面均表现出了显著的优势。
Dec, 2019
本文提出了一种基于学习的方法,用于自动提取混乱人造环境图像的线框表示,并构建了一个非常大的新数据集,并提出了两个适用于提取接头和直线的卷积神经网络,取得了明显优于现有方法的性能。
Jul, 2020
该研究提出了一种基于深度学习的点云重建网络,采用两个阶段进行密集化、去噪和点云完整性重建,其中使用了变换器进行离散体素向 3D 点的转换,同时提出了放大位置编码模块以优化变换器,实现在 3D 扫描建模领域的最新水平。
Nov, 2021
本文介绍了一个使用 3D 点云进行语义分割和对象识别的卷积神经网络,其中核心是点卷积,这是一种可以在点云的每个点上应用的新型卷积算子,并且网络设计简单且能在语义分割和对象识别任务中获得可比较的准确性。
Dec, 2017
本研究提出了一种新的深度学习点云渲染管道,通过多平面投影将点云特征投射到摄像机视锥体的分层体积中,然后通过卷积神经网络产生多层图像,并根据学习到的权重混合图像,最终实现对具有挑战的场景进行更稳定的渲染。
本文提出了一个新的端到端深度自编码器来解决点云上无监督学习的挑战,其中在编码器端强制进行了基于图的增强以促进 PointNet 的局部结构,并且通过新颖的基于折叠的解码器将一个规范化的 2D 网格变形到点云的底层 3D 对象表面上,从而实现了低重建误差。