ICCVAug, 2021

通过二维投影匹配无监督生成 3D 点云的细节结构

PDF
TL;DR提出了一种无监督方法来生成带有细微结构的 3D 点云，使用自适应采样来不规则地采样 2D 轮廓图像中的点，从而解决不同视角采样的一致性问题，使用 2D 投影匹配方法和深度神经网络，学习精确的结构信息，从而使其能够恢复细节丰富的 3D 结构，其表现优于其他相关基准算法。
3d point cloudsunsupervised learningneural networks2d projection matchingfine structure recovery
发现论文，激发创造
  • 从图像中进行的无监督三维结构学习

    本文提出一种从 2D 图像中学习生成 3D 结构的深度生成模型，并通过概率推断从 3D 和 2D 图像中恢复这些结构，从而实现了第一个纯无监督学习下学习推断 3D 表示的方法，并在几个数据集上建立了基准模型。

    Jul, 2016

  • 无监督学习内在结构表示点

    本文中提出了一种简单且可解释的无监督学习方法，可以生成具有内在结构的三维结构点，这些点在类似结构的所有形状实例中表现出语义的一致性，并且通过采用 PCA 嵌入技术，本方法在保留形状结构方面表现出良好的性能。

    Mar, 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

  • 可微分点云的无监督形状和姿态学习

    该研究使用卷积神经网络训练能够从单个图像预测出物体的 3D 形状和相机姿态的模型，并通过一组 pose 预测器进行姿势模糊处理，并利用可微分 3D 点云投影技术来获取高保真度的形状模型。

    Oct, 2018

  • 稠密三维物体重建的高效点云生成学习

    本文提出了一种新的 3D 生成建模框架，使用 2D 卷积运算从多个视角预测 3D 结构，并联合应用几何推理和 2D 投影优化来高效地生成以密集点云形式呈现的物体形状，并引入伪渲染器来合成优化的新深度图，在单张图像 3D 对象重建任务中表现了优越的形状相似性和预测密度。

    Jun, 2017

  • CrossPoint: 自监督的跨模态对比学习，用于三维点云理解

    本研究提出了一种名为 CrossPoint 的简单跨模态对比学习方法，通过自监督学习，在不需要人类标注的情况下，实现可转移的三维点云表示，通过最大化点云和相应渲染的二维图像之间的协议，实现了三维物体分类和分割等多项任务，并验证了我们的方法在提高点云理解方面的效果。

    Mar, 2022

  • 利用自监督形状与姿态网络从图像集合转换为点云

    提出了一种深度学习技术，用于从单个图像进行三维物体重建。与以往的方法不同的是，该方法使用只有单一视角的图像进行训练，并具有自我监督学习能力，可实现与使用更多监督信息的方法相媲美的性能。该方法还可以进行测试时间优化。

    May, 2020

  • 一个统一的基于点的 3D 分割框架

    针对 3D 点云的分割问题，我们提出了一种新的点云分割框架，该框架能有效地优化整个场景的像素级特征，几何结构和全局上下文先验。实验结果表明，该方法优于现有的一些最先进的方法，并探讨了在三维重建场景中合成相机姿态以获得更高的性能。

    Aug, 2019

  • 全息降噪：无监督学习三维点云清理

    本文探讨了基于无监督学习的 3D 点云去噪方法，通过在无结构的 3D 点云上引入空间先验项的方式，实现了对噪声的准确降噪。

    Apr, 2019

  • 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