ICLRDec, 2021

一种基于条件点扩散细化的三维点云完整性修复范式

PDF
TL;DR本文提出了一种基于点扩散和精化的点云补全范式，其中条件生成网络使用去噪扩散概率模型生成粗糙补全， 精修网络进一步改进完成后的点云的质量，并开发了一个新的双向路径架构。 这种架构既能从部分观察到的点云中有效地提取多级特征以指导补全，也能准确地操纵三维点的空间位置以获得光滑的表面和清晰的细节。通过广泛的实验，证明了本文提出的方法在点云完成方面优于以往的最先进方法。值得注意的是，在精细网络的帮助下，我们可以将 DDPM 的迭代生成过程加速 50 倍，而不会影响其性能。
发现论文，激发创造
  • 点云完整性的级联细化网络

    提出了一种级联细化网络结合粗到细的策略，通过考虑局部输入的细节和全局形状信息，保留了不完整点集中的现有细节，生成高保真度的缺失部分，并设计了一个补丁鉴别器来学习复杂的点分布，实验结果表明在 3D 点云完成任务中，我们的方法优于现有最先进的方法。

    Apr, 2020

  • PCRDiffusion：基于扩散的点云配准概率模型

    我们提出了一个新的框架，将点云配准问题看作是从噪声变换到对象变换的去噪扩散过程，并通过生成模型和统一概率表达解决了代表性的判别任务之一 - 点云配准问题。

    Dec, 2023

  • 一种基于条件去噪扩散概率模型的点云上采样方法

    本研究提出了一种基于条件去噪扩散概率模型（DDPM）的点云上采样方法，称为 PUDM。PUDM 通过对稀疏点云进行条件建模，学习了稠密点云和噪声之间的转换关系，并利用双映射范式提高点特征的辨别力。此外，PUDM 还通过参数化速率因子，在训练过程中利用稀疏点云和稠密点云之间的比例关系生成高质量的任意尺度点云，实验结果表明其具有较强的噪声鲁棒性，相比现有方法，在 Chamfer 距离和 Hausdorff 距离上取得了最先进的性能。

    Dec, 2023

  • DiffRef3D：一种基于扩散的三维物体检测提案细化框架

    DiffRef3D 是一种新颖的框架，采用了首次将扩散流程应用于使用点云的三维物体检测，通过将噪声逐渐添加到提案和目标物体之间的残差，并将噪声残差应用于提案以生成假设，然后通过迭代步骤对假设进行精确的盒子预测，从而在现有的三维物体检测模型中持续改进性能。

    Oct, 2023

  • 使用扩散模型进行点云预训练

    通过提出一种新的预训练方法 PointDif，本文在点云领域实现了显著的改进，包括基于条件点生成器的生成复原的点云和利用全局几何先验和物体全局点密度分布来捕捉局部和全局特征，从而在分类、分割和检测等多个下游任务中取得了实质性的提升。

    Nov, 2023

  • PF-Net：用于 3D 点云补全的点分形网络

    本文提出了基于点分形网络的学习方法 Point Fractal Network（PF-Net），用于精确高保真度的点云补全，通过多尺度生成网络进行缺失点云的预测。同时，通过多阶段的补全误差和对抗损失来生成更真实的缺失区域，实验证明了该方法的有效性。

    Mar, 2020

  • CCD-3DR: 单图像三维重建中的一致条件限制扩散

    该论文提出了一种利用扩散模型生成单个 RGB 图像中捕捉到的物体的三维稀疏点云的新型形状重构方法，该方法利用了一种新的中心扩散概率模型，用于一致的局部特征条件约束。在合成基准 ShapeNet-R2N2 和实际数据集 Pix3D 上进行的大量实验表明，CCD-3DR 在性能上优于竞争对手超过 40％。

    Aug, 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

  • GPN: 生成点云模型的 NeRF

    使用生成式基于点云的逆向正向（Generative Point-based NeRF）方法通过利用扫描图像和对应的重建点云修复局部点云，从而实现高空间分辨率下与捕获的图像的多视角一致性。实验证明，该方法在点云基于神经场景渲染和编辑领域表现出与其他最先进方法竞争力的性能。

    Apr, 2024

  • 利用去噪扩散概率模型合成 LiDAR 数据

    通过使用 R2DM 模型和 DDPMs 方法，本研究提出了一种新的用于生成 LiDAR 数据的生成模型，该模型可以基于图像表示生成多样性和高保真度的 3D 场景点云，有效地优化了 KITTI-360 和 KITTI-Raw 数据集的生成任务以及 KITTI-360 数据集的上采样任务。

    Sep, 2023