鲁棒和准确的超立方恢复:一种概率方法
本文介绍一种基于深度学习的点云去噪方法,可以对噪声和离群点进行有效的处理,并且能应用于大规模点云数据的处理中,实验表明该方法可以有效提高3D重建的稳健性。
Jan, 2019
本文提出了一种基于学习的解决方案,将超椭球作为原子元素来代替传统的3D长方体表示方法,从而在不需要监督的情况下将三维对象分解成一致的超椭球表示,并能够更易于学习地表达更多细节和复杂姿态。
Apr, 2019
该研究通过采用三维可变形形状模型,将三维形状重建问题转化为相机姿态和线性形状参数的联合优化,使用Lasserre的SOS松弛层次来解决问题,并通过添加一个异常值剔除层和使用新的TLS robust代价函数来解决TLS问题,研发出一个鲁棒的三维形状重建算法Shape#,可以容忍70%的异常值,达到了最先进的性能。
Nov, 2019
该研究提出了第一个通用且可扩展的框架,用于设计可靠的几何感知算法,以在存在异常值的情况下证明其准确性,并在六个几何感知问题上进行了评估。
Sep, 2021
本文提出了一种新颖的基于条件去噪扩散过程的单张RGB图像三维重建方法,通过其几何一致的投影条件处理过程,能够生成与输入图像高度对齐的高分辨率稀疏几何形状,并自然地生成与单个输入图像一致的多个形状,相比之前的工作获得了更好的性能提升和质量改善。
Feb, 2023
本研究提出了一种加权法线估算方法,包括一种新型加权法线回归技术和一项对比度学习预处理过程,在保持特征的同时实现了鲁棒性,处理了噪声和复杂的点云,获得了合成和真实数据集上的最先进性能。
May, 2023
我们提出了一种名为ISCO的框架,通过在2D视图上直接使用3D超椭球作为语义部分,无需对使用3D监督训练的模型进行重组,从而重组对象。通过优化组成特定对象实例的超椭球参数,将其渲染的3D视图与2D图像轮廓进行比较,并且以粗略到精细的方式对目标对象进行抽象化,从而提供与相关对象部分一致的超椭球。与最近的单个实例超椭球重构方法相比,实验结果表明ISCO提供了更准确的3D重构,即使是从野外图像中。
Sep, 2023
介绍了一种高效的方法,通过将大型3D点云的全景分割任务重新定义为可扩展的图聚类问题来进行。该方法可以仅使用本地辅助任务进行训练,从而在训练过程中消除了资源密集型的实例匹配步骤。此外,我们的方法可以轻松适应superpoint范例,进一步提高其效率。这使得我们的模型能够在单次推理中处理具有数百万个点和数千个对象的场景。我们的方法(SuperCluster)在两个室内扫描数据集(S3DIS Area 5的PQ指标为50.1(+7.8),ScanNetV2的PQ指标为58.7(+25.2))上实现了全景分割的最新性能。此外,我们还在两个大规模移动映射基准测试(KITTI-360和DALES)中取得了首个最先进的结果。我们的模型仅有209k个参数,比最佳竞争方法小30倍,训练速度最高提高15倍。我们的代码和预训练模型可在此https URL获取。
Jan, 2024
提出了一种新颖的本地点云几何编码器VecKM,具有描述性、高效性和鲁棒性。VecKM利用向量化的核混合来表示本地点云,这种表示具有描述性和鲁棒性,通过两个定理证实了其重构和保持本地形状相似性的能力。此外,VecKM是首次成功尝试将计算和存储成本从$O(n^2+nKd)$减少到$O(nd)$的编码器,牺牲了边际的常数因子,其中$n$是点云的大小,$K$是邻域大小。在法线估计任务中,与现有的流行编码器相比,VecKM不仅推断速度快100倍,而且具有最强的描述性和鲁棒性。在分类和分割任务中,将VecKM集成为预处理模块,始终比PointNet、PointNet++和点变换器基线表现更好,并且运行速度始终快10倍。
Apr, 2024
本研究针对低级3D表示方法的局限性,提出了一种新颖的混合表示方法,结合超量体和2D高斯,实现部件感知的3D重建。研究表明,该方法在无监督学习的条件下,能够有效地将场景分解为合理的部分,显著优于现有的最先进技术,推动了对3D对象更深层次的理解和应用。
Aug, 2024