Jun, 2021

时域变换中的形状配准

PDF
TL;DR本文提出了一种基于 Transformer 的非刚性 3D 点云高效配准方法，该方法采用数据驱动方式，借鉴 Transformer 架构并结合表面密度估计，可在不同场景中实现点云配准、纹理传递和形状插值，验证实验表明其优于现有方法。
transformer-basednon-rigid 3d point cloudsregistrationdata-drivensurface density estimation
发现论文，激发创造
  • GeoTransformer: 快速且鲁棒的点云配准算法与几何变换

    本论文研究了点云配准中准确提取对应关系的问题，通过绕过重复关键点的检测，利用超点实现了匹配，并提出了一种名为几何变换器（GeoTransformer）的方法来学习几何特征，从而使得在低重叠情况下具有鲁棒性。实验证明该方法在各种测试场景下都表现出了显著的准确性和效率。

    Jul, 2023

  • 快速而坚固的点云配准的几何变换器

    本研究提出了一种名为几何变换器的方法，通过学习几何特征进行超级点匹配，从而实现点云配准。该方法不需要检测重复的关键点，并在低重叠情况下表现良好，能够提高内点比率和注册召回率。

    Feb, 2022

  • PointDifformer：基于神经扩散和 Transformer 的鲁棒点云配准

    使用图神经偏微分方程和热核签名的鲁棒点云配准方法，在三维计算机视觉中具有应用于图形、自动驾驶和机器人技术等领域的基础技术。实验结果表明，该方法不仅在点云配准方面取得了最先进的性能，而且对于加性噪声或三维形状扰动具有更好的鲁棒性。

    Apr, 2024

  • 深度函数图先验下的非刚性形状配准

    我们提出了一个基于学习的非刚性形状配准框架，无需对应关系监督，通过学习深度功能图所产生的高维嵌入来指导源网格向目标点云进行形变，动态更新并过滤对应关系以提高稳健性，在未进行对齐的输入下，我们训练了一个基于方向回归器的模型以降低对外在对齐的要求，实证结果表明，我们的方法在多个非刚性点云匹配基准数据集上取得了最先进的结果，并能够在具有显著外在和内在形变的挑战性形状对之间提供高质量的对应关系。

    Nov, 2023

  • REGTR: 基于 Transformer 的端到端点云对应

    该论文提出了一种新的端到端方法来直接预测配准操作中的对应点，利用 transformer 网络结构中的自注意力和交叉注意力机制来替代传统的特征匹配和 RANSAC 算法，该方法在 3DMatch 和 ModelNet 基准上均取得了最先进的成绩。

    Mar, 2022

  • 带形状约束的 3D 点云配准

    提出一种基于形状约束迭代算法，将一个刚体模板点云注册到给定参考点云，从而检测三维点云的变化并适应存在异常值或缺失数据的复杂场景。与三种最新的配准方法进行比较，实验结果表明该算法在大旋转、结构和非结构异常值和缺失数据的情况下表现更佳。

    Feb, 2019

  • 通过点云配准重新思考旋转不变性

    该论文从点云配准角度出发，提出一种三阶段框架实现旋转不变性学习，其中包括旋转不变性形状编码、对齐特征整合和深度特征配准等，用于旋转不变性的 3D 形状分类、部分分割和检索任务中。

    Dec, 2022

  • TransMorph: 无监督医学图像配准的 Transformer 模型

    本文提出了 TransMorph，一种混合了 Transformer-ConvNet 模型的医学图像配准方法，并通过验证证明，该方法在医学图像配准方面性能显著优于基线方法，从而证实了 Transformer 在医学图像配准方面的有效性。

    Nov, 2021

  • 一种用于无监督可变形图像配准的轻量级残差网络

    使用改进的卷积神经网络进行体积图像配准，提供增强的感受野，减少参数并在受限的训练数据集上取得与基于 Transformer 方法相当甚至稍好的性能。

    Jun, 2024

  • 单视角非刚性形状预测的几何感知网络

    提出了一种基于几何感知的深度学习方法，能够在没有预先注册表面模板的情况下，通过单一视角的输入图像，精确预测可变形表面的 3D 形状， 并采用合成数据集和真实基准数据集的实验证明其在 3D 形状预测上超越同类算法，且计算时间明显减少。

    Sep, 2018