深度点云重建
该研究针对 3D 扫描时获得的稀疏、非均匀和嘈杂点云,提出了一种基于多目标的两级级联网络,包括稠密生成器和空间细化器,能够生成密集的均匀点集,同时修补小洞并调整每个点的位置,结果表明该方法优于现有技术。
Jun, 2021
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
使用深度神经网络从单一图像中重建 3D 点云坐标,设计了面对真实世界几何转换不变性和地面真实性模糊的问题的新型方法,包括条件形状采样器,能够预测多个可能的 3D 点云。在实验中表现优异,不仅在单图像 based 3D 重建基准测试中胜过现有技术,也在形状补全方面表现出强大性能,有望在多个可能性预测方面表现出色。
Dec, 2016
本文提出了一种基于密度感知卷积和上下文编码的多尺度全卷积神经网络方法,用于 3D 点云分类,同时在 ISPRS 3D 标注基准上实现了新的最优性能。
Oct, 2019
本文提出了一种基于 Transformer 编码器结构的点云去噪模型 NoiseTrans,通过自注意力机制以及本地点云注意力和稀疏编码等技术,将嘈杂的点云转换成干净的点云,实验结果显示该模型在各种数据集和噪声环境中优于现有技术。
Apr, 2023
本文提出 3dDepthNet,采用新颖的 3D-to-2D 粗 - 细双重加密设计,通过点云补全和编码解码结构完成深度图像的生成,旨在用于机器人和自动驾驶等领域,实验表明其有效性和高效性。
Mar, 2020
介绍了第一种基于深度学习的边缘感知技术,用于辅助点云的合并。通过处理本地 patches 中的点并训练其以学习和有针对性地巩固点,并且通过回归组件来恢复 3D 点坐标和点到边缘距离,并采用边缘感知的联合损失函数直接最小化输出点到 3D 网格和边缘之间的距离。
Jul, 2018
利用深度学习方法从少量图像重建和去噪点云,通过使用基于图像的深度学习模型所提取的先验知识来改善约束条件下的重建,并通过引入语义一致性监督来规范化可微渲染器的训练。同时,提出了一种细调稳定扩散算法用于去噪点云的渲染图像,并论证了这些学习的滤波器如何能够去除无需 3D 监督的点云噪声,并与 DSS 和 PointRadiance 方法进行了对比,实现了在 Sketchfab 测试集和 SCUT 数据集上更高质量的 3D 重建。
Apr, 2024
本文介绍了一个使用 3D 点云进行语义分割和对象识别的卷积神经网络,其中核心是点卷积,这是一种可以在点云的每个点上应用的新型卷积算子,并且网络设计简单且能在语义分割和对象识别任务中获得可比较的准确性。
Dec, 2017