Nov, 2021

密度感知 Chamfer 距离作为点云补全的全面指标

PDF
TL;DR提出一种新的点云相似度评价方法 ——Density-aware Chamfer Distance (DCD)，结合 point cloud completion 任务和 point discriminator 模块的实验结果表明，DCD 关注整体结构和局部几何细节并提供更可靠的评价。
chamfer distanceearth mover's distancedensity-aware chamfer distancepoint cloud completionpoint discriminator module
发现论文，激发创造
  • DeepEMD：一种基于 Transformer 的快速估计 Earth Mover's Distance

    提出了一种基于注意力模型的训练损失的准确估算方法，用于生成模型并使用 Earth Mover's Distance 作为损失函数，并提供了使用该模型进行海量点云推断的显著性能提升。

    Nov, 2023

  • 可学习的点云重建之零件度量距离

    通过动态地关注具有一组可学习网络控制的不同权重分布的匹配距离，我们提出了一种简单但有效的重构损失，即可学习的 Chamfer 距离（LCD）。通过训练对抗策略，LCD 学习搜索重构结果中的缺陷，并克服了静态匹配规则的缺点，同时还可以保证低迭代次数时的性能，并且具有更快的收敛速度和可比较的训练效率。

    Dec, 2023

  • 3D 摄像机评估的碰撞避免度量

    为了解决当前标准相机评估指标无法准确考虑应用上下文的问题，我们提出了一种新的用于评估点云的度量标准，该度量标准专门设计用于评估 3D 相机在关键的避碰任务中的适用性，并结合应用特定的考虑因素来提供一个更准确的评估控制机器人安全导航性能的度量标准。

    May, 2024

  • 非定向点云分解的凹面诱导距离

    提出了凹凸感知距离（CID）作为一种度量无定向点云中一对点之间差异的新方法，CID 可用于点云分析、点云实例分割和分组，是一种在机器人应用中处理原始点云观测结果的有用工具.

    Jun, 2023

  • 稠密点云补全的变形采样网络

    本文提出了一种新的方法，通过两个阶段，利用参数化表面元素和采样算法预测粗粒度点云并与输入点云合并来完成部分点云。实验结果表明，该方法在 Earth Mover's Distance（EMD）和 Chamfer Distance（CD）等方面表现优异，优于现有方法。

    Nov, 2019

  • DeepEMD: 可微分的地球移动距离用于少样本学习

    本文提出了使用 Earth Mover's Distance（EMD）等方法进行 few-shot 图像分类的新视角，并介绍了一种交叉引用机制来处理复杂背景和外观变化的图像。我们还展示了本算法在五个广泛使用的 few-shot 分类基准数据集上优于现有技术的实验结果，并在图像检索任务上展示了本方法的有效性。

    Mar, 2020

  • 使用校准的局部几何驱动距离度量，释放 3D 点云建模的潜力

    提出了一种称为 CLGD 的新型距离度量，它通过计算一组参考点诱导的基础 3D 表面之间的差异来量化两个非结构化 3D 点云之间的不相似度，并证明其在各种优化和无监督学习任务，包括形状重建、刚体配准、场景流估计和特征表示方面的高准确性。

    Jun, 2023

  • 学习 3D 点云表示的点集距离

    本文针对 3D 点云，研究了不同距离度量方法的效果，提出使用切片 Wasserstein 距离和其变体来学习 3D 点云的特征表示，并介绍了一种估算切片 Wasserstein 距离的新算法，实验证明该方法能提高神经网络的学习效率，并在 3D 计算机视觉中展示了其在多个任务中的有效性。

    Feb, 2021

  • 扩散地球移动距离与分配嵌入

    本文提出了一种计算大规模相关高维数据集之间的距离的快速方法，称为扩散地球移位距离（Diffusion Earth Mover's Distance）。通过建模数据集为分布并计算相互作用矩阵来实现，该方法的时间复杂度为 O (n)，并且比基于树的算法更加准确和可微分，适用于深度神经网络等梯度下降框架。实验通过 210 个 COVID-19 样本的单细胞数据表明该方法比同等精确度的方法至少快两个数量级，且可以嵌入更高层次的患者流形中揭示患者间的结构和异质性，并可适用于其他医学和生物模型中大规模数据集的距离计算。

    Feb, 2021

  • 高亮度 LHC 数据压缩的可微分 EMD

    本篇论文研究如何训练卷积神经网络以学习可微分、快速的 EMD 近似函数，用于高亮度 LHC 的粒子探测器数据压缩，证明与基于均方误差的损失函数相比，使用可微分的 EMD CNN 进行训练的编码器神经网络表现更优。

    Jun, 2023