CPFN: 高分辨率点云级联基元拟合网络
本文提出一种神经网络模型(Supervised Primitive Fitting Network),此模型可以不需要用户干预就能够探测并鲁棒地拟合不同尺度和数量的几何体。相比于已有的 RANSAC-based 方法,该模型在测试中表现更好。
Nov, 2018
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
本文提出了基于点分形网络的学习方法 Point Fractal Network(PF-Net),用于精确高保真度的点云补全,通过多尺度生成网络进行缺失点云的预测。同时,通过多阶段的补全误差和对抗损失来生成更真实的缺失区域,实验证明了该方法的有效性。
Mar, 2020
本文设计了一个基于深度金字塔网络的点云重建方法 DensePCR,通过逐层生成低分辨率到高分辨率的点云来生成准确、均匀且密集的高分辨率 3D 模型。在合成和真实数据集上的评估表明,DensePCR 优于现有的点云重建方法,并提供了一种轻量级和可扩展的高分辨率输出预测体系结构。
Jan, 2019
本研究提出了一种名为 CPN 的多人姿态估计的网络结构,该算法采用自上而下的流程首先生成人体边界框,然后在每个边界框内使用 CPN 进行关键点的定位,实验结果显示与 COCO 数据集上的平均精度 73.0 和 72.1 相比,相对提高了 19%
Nov, 2017
通过在金字塔层面上建模每个点的特征预测,并利用回溯式的精炼过程从前一层中提取语义特征,本文提出 Retro-FPN 方法以解决点云语义分割中的信息丢失和模糊语义识别的问题,该方法在三个常用的骨干网络上得到了显著的性能提升。
Aug, 2023
本文提出了一种基于深度学习的点云局部三维形状属性估计方法 PCPNet,采用基于 patch 的学习方法,结合多尺度编码,能在强噪声和多尺度特征的情况下更好地估计法线及曲率等局部形状信息。我们的方法在结构化三角网格训练数据上训练,可以在处理噪声点云时得到比现有技术更好的结果,并成功在形状重构方面得到应用。
Oct, 2017
该研究设计了 FPS-Net 网络,利用点云投影图像的不同特征进行多模态特征融合,旨在优化点云的分段。该网络的有效性在广泛实验中得到证明,可以实现优于现有方法的语义分割,并且引入的多模态融合思想也兼容于典型的投影方法。
Mar, 2021
本文提出 PPFNet——Point Pair Feature 网络,用于深度学习全局细节感知的三维局部特征描述符,以在无组织的点云中找到对应点。通过在纯几何图形上学习本地描述符,并高度关注全局上下文,实现 3D 表示为点对特征及局部邻域内的点和法向量的组合,并使用新型 N-tuple loss 和架构将全局信息自然地注入本地描述符中,实现量化和定性评价,证明了上述方法在 3D 描述符提取性能中的作用。
Feb, 2018