Oct, 2021

DPC: 基于交叉自身构造的无监督深度点对应

PDF
TL;DR提出一种新的实时非刚性稠密点云对应的方法 Deep Point Correspondence，该方法基于结构形状构造，需要比以往技术少得多的训练数据并且具有更好的泛化能力。
point cloudsnon-rigid correspondencedeep point correspondencestructured shape constructiongeneralization
发现论文，激发创造
  • CorrNet3D: 3D 点云密集对应的无监督端到端学习

    本文介绍了一种基于无监督和端到端深度学习的框架 CorrNet3D，以学习 3D 形状之间的密集对应关系，并证明了其相对于最先进的方法具有更好的性能，源代码和预先训练好的模型可通过链接获得。

    Dec, 2020

  • 使用深度空间一致性的鲁棒点云配准

    本研究提出 PointDSC，一个基于深度学习的神经网络，在点云配准中明确地引入空间一致性，通过非局部特征聚合模块和可微分谱匹配模块进行同型剪枝，实现对离群点对应关系的修剪，结果表明 PointDSC 在多个实际数据集上比基于手工和基于深度学习的离群点拒绝方法都有更好的表现，并通过与不同的 3D 局部描述符进行组合来展示其广泛的适用性。

    Mar, 2021

  • 利用分层帧间块匹配学习动态点云压缩

    本文提出了一种通过基于分层块匹配的帧内预测模块学习压缩动态点云（DPC）几何信息的压缩框架，并且在 KNN-attention 块匹配和多尺度光流的压缩方面使用了完全分解的深度熵模型。实验表明该框架优于先前的最先进方法，同时也优于 MPEG 标准 V-PCC v18 在帧间低延迟模式下的效果。

    May, 2023

  • 深度最近点：学习点云配准的表示

    本文提出了一种基于学习的方法 Deep Closest Point，用于点云配准问题，通过点云嵌入网络、基于注意力机制的组合匹配模块和可微分的奇异值分解层，实现最终的刚性变换。实验证明该方法优于传统算法 Iterative Closest Point 及其变种，以及最近提出的基于学习的方法 PointNetLK，同时能有效迁移学到的特征。

    May, 2019

  • 学习型点云几何压缩

    本文提出了一种基于神经网络的自动编码器和 3D 卷积的点云几何压缩方法，相对于 MPEG 标准压缩算法，可以获得至少 60% BD-Rate 增益，并在视觉效果上表现优越。

    Sep, 2019

  • 密集形状对应的自监督学习

    介绍了第一种完全无监督的对变形三维图形进行对应学习的方法，通过理解自然变形的形态变化近似保持曲面的度量结构，提出了一种驱动学习过程的自然准则，从而克服了对带注释数据的需求，并取而代之的是一种纯几何标准，学习模型不分含义类别，能够利用任何类型的可变形几何数据进行训练，相对于现有的专门针对训练期间观察到的类别的监督方法，我们展示出更强的泛化能力和应用于各种具有挑战性设置的能力，在广泛的对应基准测试中展示了我们的方法，在精度、泛化能力和效率方面均超过了其他方法。

    Dec, 2018

  • 稠密预测编码的视频表示学习

    本论文介绍了自监督学习，通过视频中的 Dense Predictive Coding (DPC) 框架形成具有密集的时空块的编码，利用课程训练方式预测未来，并在 Kinetics-400 数据集上进行实验，结果表明，DPC 的自监督预训练性能超过了以前的方法，并接近于在 ImageNet 上预先训练的基线。

    Sep, 2019

  • 深度点云几何压缩的改进

    本文提出了一系列改进点云压缩的方法，包括使用尺度先验模型进行熵编码、采用更深的变换、不同的 focal loss 权重、最优解码阈值和连续模型训练，并通过实验验证这些方法可以带来较好的 BD-PSNR 提升。

    Jun, 2020

  • DCPI 深度：在无监督单目深度估计中显式注入稠密对应先验

    通过三个创新点，本研究提出了一个名为 DCPI-Depth 的框架，该框架采用稠密对应先验，通过上下文信息和光流进行深度感知，实现了在具有挑战性场景中的准确深度估计，并展示了更合理的平滑性。

    May, 2024

  • 基于深度图匹配的稳健点云配准框架

    本文提出了一种基于深度图匹配的 3D 点云注册框架，通过先将点云转化为图并提取每个点的深度特征，再用深度图匹配计算软对应矩阵，从而找到更正确的对应关系，实现了在有离群点和时间约束而没有好的变换初始化时的 3D 点云快速注册。

    Mar, 2021