ICCVMay, 2021

云中漫步：点云形状分析的学习曲线

PDF
TL;DR本文提出了一种新颖的点云曲线聚合方法，该方法首先在点云中进行诱导游走，然后再将曲线聚合起来，以增强其点级特征。该方法在多个点云分析任务上进行了基准测试，在 ModelNet40 分类任务中达到 94.2％的分类准确度，在 ShapeNetPart 分割任务中获得 86.8 的实例 IoU，在 ModelNet40 正常估计任务中获得 0.11 的余弦误差，表现出卓越的性能。
point cloudcurve groupingcurve aggregationmodelnet40shapenetpart
发现论文，激发创造
  • 从多视角图像曲线到 3D 绘图

    该论文提出了一种将 2D 图像曲线组合成 3D 曲线集合，构建具有拓扑连接性的 3D 图形的方法，以实现对 3D 场景的结构化表示和重建。

    Sep, 2016

  • 面向形状的点云分析卷积神经网络

    本文提出了一种形状取向的消息传递方案 ShapeConv，结合了形状特征学习和上下文信息对基于点云的分析的贡献，并将其堆叠到分层学习体系结构 SOCNN 中以分析点云的分类和分割任务。

    Apr, 2020

  • 基于注意力机制的图卷积神经网络点云学习

    提出了名为 AGCN 的新型网络结构，结合了图卷积网络和注意力机制，可以有效地从无序和非结构化的点云数据中提取特征，经实验证明在分类和分割任务中均达到了当前最先进的性能。

    May, 2019

  • Cloud2Curve：参数化草图的生成和矢量化

    本文提出一种基于逆向图形框架的可扩展高分辨率向量素描生成模型 Cloud2Curve，该模型可以使用点云数据进行端到端训练，并具备确定性向量化功能，能够将新颖的栅格或航点素描映射到其相应的高分辨率比赛曲线，我们在 Quick, Draw! 和 K-MNIST 数据集上评估了模型的生成和向量化功能。

    Mar, 2021

  • 从点云数据中鲁棒估计曲面曲率信息

    本文调查和评估了一些流行的算法曲率和法向量估计方法，并提出了一种新的鲁棒性曲率估计方法，并将其与现有方法进行评估，从而证明了其对于在数据噪声较大的情况下优于现有方法。

    Jun, 2023

  • 学习梯度场用于形状生成

    本文提出一种新颖的技术，通过随机梯度上升在未标准化概率密度上移动样本点来生成点云，使其达到类似真实高密度区域的效果，并通过该方法达到点云自编码和生成的最新成果，同时允许提取高质量的隐式表面。

    Aug, 2020

  • 学习在 2D 图像空间中分割 3D 点云

    本文研究了点云数据如何被有效和高效地投影到 2D 图像空间中，以便于利用传统的 2D 卷积神经网络进行分割，通过引入具有拓扑结构保持特性的图形处理方法，并使用分层逼近算法，结合 Delaunay 三角剖分技术和多尺度 U-Net 网络进行图像分割，取得了 ShapeNet 和 PartNet 的最新成果。

    Mar, 2020

  • ConvPoint: 基于连续卷积的点云处理

    本文提出通过替换离散卷积核为连续卷积核，将离散卷积神经网络 (CNN) 泛化为处理点云的神经网络的方法，实验结果表明其在形状分类、部分分割和语义分割方面与现有方法相比具有竞争力。

    Apr, 2019

  • 基于点云学习的动态图卷积神经网络

    该论文提出了一种新的神经网络模块 EdgeConv，用于处理点云数据的图形分类和分割任务，它在每个层动态计算出图形，具有可堆叠和可微性等优点，并通过一些标准基准测试展示了优异性能。

    Jan, 2018

  • Momen (e) t：为学习分类形状的时刻调味

    该论文研究了如何将点云作为非结构化数据进行处理以实现高效、精确的几何处理和分析方法，提出了一种基于多项式函数的神经网络技术用于 3D 形状分类，实验表明该网络在性能和计算效率方面均取得了最先进的结果。

    Dec, 2018