本研究提出了一种加权法线估算方法,包括一种新型加权法线回归技术和一项对比度学习预处理过程,在保持特征的同时实现了鲁棒性,处理了噪声和复杂的点云,获得了合成和真实数据集上的最先进性能。
May, 2023
本文提出使用深度神经网络(DNNs)进行具有较低近似误差的点云法向量估计,其中采用了 Z 方向变换和误差建模作为基本设计原则,并将其与现有最先进的法向量估计方法集成。
Mar, 2023
该研究提出了一种新的基于特征保留的法线估计方法来过滤点云,并通过实验证明其在去除噪点和保留几何特征方面的效果优于现有法线估计方法和点云过滤技术。
Apr, 2020
本文提出了一种精确高效的方法,用于处理非结构化三维点云上的噪声与非均匀密度,并通过图卷积特征表示学习局部邻域几何信息进行法向量估计,设计了基于注意力机制的自适应模块,进一步增强了法向估计器对点密度变化的鲁棒性,并引入多尺度结构提取图块来学习更丰富的几何特征,在多个基准数据集上实现了最先进的精度和较强的噪声鲁棒性。
Jul, 2022
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
通过引入两种新的损失函数,一个利用表面法线,一个最小化拼接误差,我们提出了一种方法,明确地鼓励局部映射的整体一致性,在标准基准测试上表现优于基准线,同时强制执行更好的拼接,使重建的对象具有更好的视觉质量。
Oct, 2020
该论文提出了一种神经网络 AdaFit,用于在含有噪声和密度变化的点云上进行强健的法线估计,并通过实验证明其能够在合成数据集和真实场景数据集上实现最好的性能。
Aug, 2021
通过引入全局信息和各种约束机制,我们设计了一个基础框架来增强现有模型,同时采用基于置信度的策略选择合理样本进行公平且鲁棒的网络训练,并利用现有的定向方法纠正估计的非定向法线,在定向和非定向任务中实现了最先进的性能。广泛的实验结果证明了我们的方法对广泛使用的基准测试数据集表现良好。
May, 2024
本文提出了基于多尺度点统计(MuPS)的局部高斯网格表示的法向估计方法 Nesti-Net,使用混合专家(MoE)结构来优化每个点周围的最佳比例,从而显著提高模型的鲁棒性和精度。实验结果表明,该方法在合成数据集上达到了最先进水平,并在实际扫描场景上展现了良好的表现。
Dec, 2018
提出了一种使用卷积神经网络直接对多个图像块进行匹配的方法,从而在计算机视觉中估算场景的深度图。实验表明,与基于成对块相似性的方法相比,该方法具有更好的效果。
Mar, 2017