Jun, 2021

基于点云联合分割的长方体形状抽象无监督学习

PDF
TL;DR本文提出了一种无监督形状抽象方法，将点云转换为紧凑的长方体表示，并以分割和长方体形状的联合预测为抽象任务，以自学习的方式加强分割和形状抽象之间的一致性，该方法不需要手动注释点云中的零件。本文通过几种形状集的评估，证明了该方法优于现有的形状抽象方法，支持结构形状生成、形状插值和结构形状聚类等各种应用。
shape abstractionpoint cloudcuboidunsupervised learninggeometric modeling
发现论文，激发创造
  • 3D 场景抽象的鲁棒形状拟合

    通过神经网络引导的 RANSAC 估计器拟合基本几何体，提供更有意义的场景抽象并减少推理时间，成功地将拥挤的真实世界三维场景布局抽象化。

    Mar, 2024

  • 立方体再探：从单张 RGB 图像学习鲁棒的三维形状拟合

    基于 RANSAC 估计器和神经网络的图元拟合算法，通过处理场景中的一部分来解析 3D 特征，进而获得更具抽象性的场景描述，在实现端到端训练的基础上，引入遮挡感知距离度量，成功地在不需要繁琐标注的情况下，实现了对真实世界 3D 场景布局的抽象。

    May, 2021

  • 点云的无监督多任务特征学习

    该研究提出了一种无监督的多任务模型，用于联合学习点云上的点和形状特征，并定义了三个无监督任务来训练多尺度基于图形的编码器。结果表明，与之前的无监督模型相比，该模型在形状分类和分割基准上表现优异。在 ModelNet40 分类任务中，准确率达到 89.1％，在 ShapeNet 分割任务中，mIoU 为 68.2％，准确率为 88.6％。

    Oct, 2019

  • 基于聚类的点云表示学习用于三维分析

    基于聚类的监督学习方案用于点云分析，通过在点嵌入空间上进行类内聚类来自动发现子类模式，进而重构嵌入空间以提高鲁棒性；该算法在各种 3D 网络架构上表现出明显的改进，并在知名点云分割数据集和 3D 检测中显示出实用性。

    Jul, 2023

  • 多分辨率实例判别式的无监督三维形状分析学习

    本文提出了一种用于不同形状分析任务的通用和高效形状编码网络的无监督方法，具体方法是联合编码和学习来自未标记的三维点云的形状和点特征，使用基于八叉树的卷积神经网络来进行编码，并设计了一个简单而高效的多分辨率实例判别损失，本方法不仅表现出了所有无监督方法中最佳的性能，还在小标记数据集的任务中表现出了与监督方法有竞争力的性能，甚至在细粒度形状分割任务中超过了现有的监督方法。

    Aug, 2020

  • 基于非参数贝叶斯推断的基元形状抽象

    本文提出了一种非参数贝叶斯统计方法用于从点云中推断抽象的三维形状，包括未知数量的基本几何基元，并展示了该方法的实验结果比现有方法更准确且具有普适性。

    Mar, 2022

  • 超椭球形体再探：学习超立方体外的三维形状解析

    本文提出了一种基于学习的解决方案，将超椭球作为原子元素来代替传统的 3D 长方体表示方法，从而在不需要监督的情况下将三维对象分解成一致的超椭球表示，并能够更易于学习地表达更多细节和复杂姿态。

    Apr, 2019

  • 联合监督与自监督学习 3D 现实世界挑战

    本文介绍了基于自监督式多任务模型的方法，用于解决数据稀缺性和跨域数据集问题，提高 3D 形状分类与部分分割的效果。

    Apr, 2020

  • 点云上的自监督少样本学习

    该论文提出了两种新型的自监督预训练方法，利用覆盖树对点云进行分层划分，从而避免手动注释点云所导致的困难；并针对少样本学习设置，让学习网络对支持集的点云嵌入进行预训练。实验表明，利用该自监督学习方法预训练的有监督方法显著提高了目前最先进方法的准确性，并且该方法在下游的分类任务中也优于先前的无监督方法。

    Sep, 2020

  • 通过重构空间对点云进行自监督深度学习

    提出了一种自我监督学习方法，利用点云数据来预训练深度神经网络用于对象分类和语义分割，从而在减少监督样本数量方面提高样本效率。该方法不需要特定的网络体系结构，并且在下游的对象分类任务中优于当前无监督学习方法。

    Jan, 2019