通过解耦精细化的方式进行点云上采样
本文提出了一种基于深度神经网络的数据驱动算法,使用 Chamfer 距离作为损失函数对 3D 散点云进行上采样,该算法不需要硬编码规则,并能够学习属于不同对象类别的点云的潜在特征,实验结果表明,相比基于优化的上采样方法,该算法能够生成更加均匀和精确的上采样结果。
Jul, 2018
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
提出了一种自监督的点云上采样方法 SPU-Net,该方法利用深度学习模型和 GCN 捕获点云上采样的内在模式,具有解决真实数据稀疏问题的能力。实验表明,该方法与现有的监督方法相比具有可比性能。
Dec, 2020
本文提出了一种基于学习的框架,通过自适应地分析输入点云的局部几何结构,设计出轻量级神经网络来统一、排序插值权重以及高阶细化,从而生成具有密集点云的物体 / 场景,并处理非均匀分布和噪声数据,该方法于现实世界中的各种上采样因子都可运作,并在合成和实际数据上均获得了优于现有方法的表现。
Nov, 2020
本文提出了一种数据驱动的三维点云上采样技术,通过在特征空间中隐式地学习多层次特征并扩展点集,进而构建高密度点集,并在表面均匀分布的基础上实现采样点的重构,实验结果表明该方法的优越性。
Jan, 2018
本论文介绍了一种基于 transformer 模型的多头自注意力结构和位置融合块的点云上采样方法,并通过定量和定性的对比实验证明了其优越性能。
Nov, 2021
最近,基于点云的任意尺度上采样机制因其在实际应用中的效率和便利性而越来越受欢迎。为了解决从稀疏点云学习表面表示所面临的挑战,我们提出了一种使用基于体素网络的任意尺度点云上采样框架(PU-VoxelNet)。通过利用体素表达的完整性和规律性,体素网络能够提供预定义的网格空间来近似三维表面,并根据每个网格单元内的预测密度分布重建任意数量的点。进一步,为了改善细节,我们提供了一种辅助训练监督方法,以强制实现局部表面块之间的潜在几何一致性。广泛的实验证明,所提出的方法在固定上采样率和任意尺度上采样方面都优于现有技术。
Mar, 2024
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
3D 传感器获取的点云通常稀疏且嘈杂,点云上采样是一种提高点云密度以恢复详细几何信息的方法。本文提出了一种用于点云上采样的双重背投影网络(DBPnet)。通过采用上下上的方式进行双重背投影,网络不仅对特征残差进行反投影,还对坐标残差进行反投影,从而更好地捕捉特征和空间域中的点关联性,并在均匀和非均匀稀疏点云上实现较低的重构误差。我们的方法也适用于任意上采样任务(例如 4 倍,5.5 倍)。实验结果表明,该方法在与基准点集匹配损失方面实现了最低值。此外,我们方法的成功也证明了非均匀点云不一定需要生成网络。
Jul, 2023
本文提出了一种新的方法,通过两个阶段,利用参数化表面元素和采样算法预测粗粒度点云并与输入点云合并来完成部分点云。实验结果表明,该方法在 Earth Mover's Distance(EMD)和 Chamfer Distance(CD)等方面表现优异,优于现有方法。
Nov, 2019