ICLRNov, 2021

Voint 云：用于三维理解的多视点云表示

PDF
TL;DR本文介绍了一种名为 Voint Cloud 的新型三维点云表示方法，该方法将多视角方法的视角感知能力与三维点云紧凑性相结合，利用 VointNet 进行学习，取得了在各项基准测试上的最佳表现。
multi-view projection methods3d understandingvoint cloudconvolutional and pooling operationsvointnet
发现论文，激发创造
  • PVNet: 一种基于点云和多视图的联合卷积网络用于三维形状识别

    本文介绍了一个新的 3D 形状识别框架：Point-View Network（PVNet），该框架整合了点云和多视角数据，并利用深度学习和嵌入式注意融合方案提高了 3D 形状的准确识别。

    Aug, 2018

  • 基于多平面投影的神经网络点云渲染

    本研究提出了一种新的深度学习点云渲染管道，通过多平面投影将点云特征投射到摄像机视锥体的分层体积中，然后通过卷积神经网络产生多层图像，并根据学习到的权重混合图像，最终实现对具有挑战的场景进行更稳定的渲染。

    Dec, 2019

  • 多视点 PointNet 用于 3D 场景理解

    本文介绍了 MVPNet 模型，该模型使用视图选择和 2D-3D 特征聚合模块将 2D 多视图图像特征汇集到 3D 点云中，并使用基于点的网络将 3D 规范空间中的特征融合以预测 3D 语义标签。该方法在 3D 语义分割任务上，优于以前的点云方法，并且训练速度比稀疏体素方法的大型网络快得多。

    Sep, 2019

  • 多尺度体素深度网络对点云场景的分类

    描述了一种卷积神经网络，用于分类城市或室内场景的 3D 点云，采用多尺度邻域的点位置进行点分类，排名第二，并打败了不使用正则化步骤的最新点分类方法。

    Apr, 2018

  • LiDAR 点云 3D 物体检测的端到端多视角融合

    本文提出了一种新颖的多视角融合算法 (MVF)，它能够从鸟瞰视角和透视视角有效地学习利用互补信息，其中采用了动态体素化方法。在 Waymo 开放数据集和 KITTI 数据集上的评估表明，MVF 模型显著提高了检测精度。

    Oct, 2019

  • 大规模三维语义分割中的野外多视角聚合学习

    本文提出了一种端到端可训练的多视角聚合模型，利用 3D 点的视角优势，从任意位置拍摄的图像中合并特征，将标准 2D 和 3D 网络相结合，不需要着色、上网格或真实深度图，我们在 S3DIS 和 KITTI-360 数据集上取得了新的最佳效果。

    Apr, 2022

  • MM-Point：多视图信息增强的多模态自监督 3D 点云理解

    提出一种新颖的自监督点云表示学习方法 MM-Point，通过多模态交互和传输同时处理三维物体和多个二维视图之间的一致跨模态目标，以及通过多个 MLP 和多层次增强策略来更有效地实现二维多视图信息的一致性对比学习，进一步学习了二维多视图的多层次不变性。MM-Point 在各种下游任务中展现出最先进的性能，如在合成数据集 ModelNet40 上达到了 92.4% 的峰值准确率，在真实数据集 ScanObjectNN 上达到了 87.8% 的最高准确率，与全监督方法可媲美。此外，我们还展示了它在少样本分类、三维部分分割和三维语义分割等任务中的有效性。

    Feb, 2024

  • GeoAuxNet：面向多传感器点云的通用三维表示学习

    使用几何 - 体素辅助学习的方法，通过提供对多传感器点云的附加解释，使得体素表示可以获取点级几何信息，并支持体素骨干在多传感器点云上更好的泛化能力。我们的方法在联合多传感器数据集上表现出色，超越了其他模型，并在每个单一数据集上与现有的专家方法取得了竞争性结果。

    Mar, 2024

  • PointNet：基于点集的深度学习用于三维分类和分割

    本文提出 PointNet 网络，通过直接消耗点云数据并尊重其排列不变性，实现了一个统一的架构，可用于物体分类、局部分割和场景语义解析等多种应用，并在理论和实验方面都有较好表现。

    Dec, 2016

  • PVRNet: 基于点 - 视角关系的神经网络用于 3D 形状识别

    本文介绍 Point-View Relation Network (PVRNet)，一种有效的网络模型，来融合点云和多视角数据的特征，从而提取出一个统一的表示，用于三维形状的分类和检索，实验结果显示，和现有模型相比有了显著的性能提升。

    Dec, 2018