CVPRApr, 2021

变分关系点补齐网络

PDF
TL;DR本文提出了一种基于变分框架的点云重建方法 (Variational Relational point Completion network - VRCNet)，该方法采用了概率建模和关系增强技术实现点云的精细局部重建，同时给出了一个包含 10 万多个高质量扫描的多视角局部点云数据集 (MVP 数据集)，实验证明 VRCNet 在标准点云重建基准上的性能优于目前的最先进方法，并且在真实世界点云扫描中表现出了很好的泛化性和鲁棒性。
point cloud completionvariational frameworkprobabilistic modelingrelational enhancementmulti-view partial point cloud dataset
发现论文，激发创造
  • 变分关系点补全网络用于稳定的 3D 分类

    本文提出了一种基于变分关系点补全网络（VRCNet）的框架，采用概率建模和关系增强技术，实现对不完整点云进行准确重建，并达到对部分点云进行 3D 分类和模型识别的目的。

    Apr, 2023

  • 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

  • 旋转不变补全网络

    本文提出了一种名为 Rotation-Invariant Completion Network (RICNet) 的网络，它由两个部分组成：双流水线完成网络 (DPCNet) 和增强模块。RICNet 在特征提取方面实现了更好的旋转不变性，并结合了人造对象的结构关系。实验证明，与现有方法相比，RICNet 在点云的完成性能上表现出更好的表现。

    Aug, 2023

  • VPC-Net：基于 MLS 点云的三维车辆完成

    该研究提出了一个神经网络模型，命名为 VPC-Net，用于从移动激光扫描系统获取的点云数据中合成完整、密集、统一的车辆点云数据，以用于 3D 车辆监测任务，具有良好的性能表现与结果。

    Aug, 2020

  • 自我监督的点云补全级联优化网络

    提出了一种基于两个分支的神经网络，用于点云的完形填充，其中第一个分支是连锁的对象完形子网络，第二个分支是一个自编码器，共同利用局部输入和粗糙输出来保留对象细节，并使用相同的特征提取器学习形状完形的全局特征，实验结果表明，该方法在点云完形填充任务上的效果超越了现有技术的方法。

    Oct, 2020

  • PVRNet: 基于点 - 视角关系的神经网络用于 3D 形状识别

    本文介绍 Point-View Relation Network (PVRNet)，一种有效的网络模型，来融合点云和多视角数据的特征，从而提取出一个统一的表示，用于三维形状的分类和检索，实验结果显示，和现有模型相比有了显著的性能提升。

    Dec, 2018

  • VRNet: 3D 点云对齐的矫正虚拟对应点学习

    提出了一种新型的鲁棒的三维点云配准框架，该框架结合了虚拟点方法和修正化的虚拟对应点方法。其中，利用估计的软匹配矩阵建立初始虚拟对应点，之后通过校准步骤形成修正化的虚拟对应点，并运用混合损失函数来保持形状和几何结构的一致性，从而实现了快速而准确的点云配准。

    Mar, 2022

  • PCN: 点云补全网络

    本文提出了一种新的基于学习的方法 ——Point Completion Network（PCN），该方法直接在原始点云上操作而不需要任何结构假设或注释，并且其解码器设计可以在保持参数数量较小的同时生成精细的完整点云。实验结果表明，PCN 在处理各种不完整和噪声的输入时可以产生密集、完整、具有现实结构的点云。

    Aug, 2018

  • 点云完整性的级联细化网络

    提出了一种级联细化网络结合粗到细的策略，通过考虑局部输入的细节和全局形状信息，保留了不完整点集中的现有细节，生成高保真度的缺失部分，并设计了一个补丁鉴别器来学习复杂的点分布，实验结果表明在 3D 点云完成任务中，我们的方法优于现有最先进的方法。

    Apr, 2020

  • 野外场景弱监督 3D 形状补全

    本研究利用弱监督的方法，通过多视角几何约束来同时估计 3D 的标准形状和 6 自由度姿态，解决了学习未对准和真实世界部分点云的情况下，利用大量数据进行 3D 形状补全的问题。实验证明，学习姿势估计可以促进部分点云的配准。

    Aug, 2020