Jul, 2021

无对应点的点云配准与 SO (3) 等变隐式形状表示

PDF
TL;DR本文提出了一种基于等变特征学习和隐式形状模型的无对应点云旋转配准方法，可实现无需数据关联、在特征空间中闭式求解和对噪声鲁棒。实验结果表明，该方法优于现有基于深度学习的无对应点云配准方法。
correspondence-freepoint cloudrotational registrationequivariant feature learningimplicit shape models
发现论文，激发创造
  • 点云识别的离散旋转等变性

    该论文提出了一种深度学习架构，能够在点云识别中实现离散的 SO（2）/SO（3）旋转等变性，通过消除置换并进行操作，提升了任何现有点云网络的性能，并在各种旋转下，展示了分类任务的最新成果。

    Mar, 2019

  • E2PN: 高效的 SE (3) 等变点网络

    本文提出了一个用于学习来自 3D 点云的 SE (3)- 等变特征的卷积结构。它将 KPConv（一种广泛用于处理点云数据的卷积形式）视为等变版本。通过组合群卷积和商表示，我们实现了一个简单，轻量级，快速的设计，能与现有的任务特定点云学习管道集成，同时在各种任务中实现了可比较或更优的性能，消耗更少的内存和运行速度更快。通过实验，我们展示了该方法可以促进点云等变特征学习在实际应用中的采用并激发未来应用的发展。

    Jun, 2022

  • 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

  • 用于三维点云分析的等变点网络

    本文提出了一个有效的 SE（3）网络，它是针对点云分析领域中 3D 形状对齐任务而设计的，可以利用等变特征来提高性能并解决相对较少探索的旋转等变特征对 3D 形状对齐任务的处理问题。我们采用一个新的框架 SE (3) 可分点卷积来降低计算成本，并在网络中引入一个注意力层来有效地利用等变特征的表达能力。通过广泛的研究和视觉解释，实证结果表明，我们提出的模型在各种基准测试中优于强基线。

    Mar, 2021

  • 关于旋转等变点云网络的普适性

    研究点云上函数学习的神经网络结构具有形状不变性，首先推导出两个充分条件以获得普适逼近性能，在此基础上设计了两个新的普适网络结构。

    Oct, 2020

  • 深度点云分析的旋转不变框架

    本文提出了一种新的低层纯旋转不变表示，以替代常见的 3D 笛卡尔坐标作为神经网络的输入，并介绍了一种网络结构来将这些表示嵌入为特征，编码点与邻居之间以及全局形状结构之间的局部关系，并通过区域关系卷积来编码局部和非局部信息以缓解因旋转不变表示引起的全局信息丢失。在多个点云分析任务上评估我们的方法，包括形状分类、部件分割和形状检索，实验结果表明与现有技术相比，我们的方法在任意方向上的输入上实现了一致且最佳的性能。

    Mar, 2020

  • 设计对称神经网络处理三维点云

    该研究旨在通过引入群等变性，提高当前用于 3D 点云的神经网络的泛化和鲁棒性。在实验中，该方法表现出比其他群等变模型更优越的性能，且具有较低的复杂度和 GPU 内存占用，提升了诸如物体分类和语义分割等任务的性能。

    May, 2022

  • 通过诱导和限制表示进行等变单视角姿态预测

    从二维图像中学习关于三维世界的知识是计算机视觉中的一个基本问题，本文提出了一种学习三维表示的算法，满足几何一致性约束，并在三个姿态预测任务中取得了 SOTA 结果。

    Jul, 2023

  • 基于学习方向的坐标不变点云分析

    本文提出了一种基于信息传递方案的新颖简单框架，通过为每个点引入方向来获得等变性，从而使点云分析更加灵活，并提供了正式的证明以表明其等变性。

    Mar, 2022

  • 通过不变残差学习稳定一致地预测三维特征方向

    本文提出了一种新颖的方法，通过将输入的 3D 点云的形状几何与语义学分离，来实现特征取向的稳定性和一致性，该方法将形状几何基于 SO（3）等变学习和形状语义基于 SO（3）不变残差学习相结合，通过校准 SO（3）等变定向假设来获得最终的特征定向。在实验中，该方法不仅展现出卓越的稳定性和一致性，而且在给定随机旋转输入的点云部分分割时也表现出最新的性能。

    Jun, 2023