CVPRDec, 2021

神经点：带有神经场的点云表示法，用于任意上采样

PDF
TL;DR本文提出了一种新的点云表示 Neural Points，并将其应用于任意分解上采样任务中。相较于传统的点云表示，每个点在 Neural Points 中通过神经场表示局部连续几何形状，因此 Neural Points 包含更多的形状信息并具有更强的表征能力。实验证明，Neural Points 在任意分辨率上对点云进行重新采样的表现优于最先进的点云上采样方法。
neural pointspoint cloud representationupsampling tasklocal geometric shapeneural fields
发现论文，激发创造
  • PU-Net: 点云上采样网络

    本文提出了一种数据驱动的三维点云上采样技术，通过在特征空间中隐式地学习多层次特征并扩展点集，进而构建高密度点集，并在表面均匀分布的基础上实现采样点的重构，实验结果表明该方法的优越性。

    Jan, 2018

  • 3D 点云深度可变放大可扩展上采样

    本文提出了一种基于学习的框架，通过自适应地分析输入点云的局部几何结构，设计出轻量级神经网络来统一、排序插值权重以及高阶细化，从而生成具有密集点云的物体 / 场景，并处理非均匀分布和噪声数据，该方法于现实世界中的各种上采样因子都可运作，并在合成和实际数据上均获得了优于现有方法的表现。

    Nov, 2020

  • 神经点光场

    采用神经隐式点光场方法实现体积渲染，通过几百个样本进行射线投射，通过点云实现大场景动态渲染视频，与现有的方法相比，新方法的视角预测能力更强。

    Dec, 2021

  • 基于体素网络的任意尺度点云上采样与隐式几何一致性学习

    最近，基于点云的任意尺度上采样机制因其在实际应用中的效率和便利性而越来越受欢迎。为了解决从稀疏点云学习表面表示所面临的挑战，我们提出了一种使用基于体素网络的任意尺度点云上采样框架（PU-VoxelNet）。通过利用体素表达的完整性和规律性，体素网络能够提供预定义的网格空间来近似三维表面，并根据每个网格单元内的预测密度分布重建任意数量的点。进一步，为了改善细节，我们提供了一种辅助训练监督方法，以强制实现局部表面块之间的潜在几何一致性。广泛的实验证明，所提出的方法在固定上采样率和任意尺度上采样方面都优于现有技术。

    Mar, 2024

  • 基于 Patch 的渐进式 3D 点集上采样

    本研究提出了一种基于深度神经网络的点集上采样方法，通过层级渐进式地使用级联的基于 path 的上采样网络训练，优化各级别的细节并提供一系列架构设计改进，以实现对于低分辨率点云输入的高保真细节重建。在定性和定量实验中，本方法在处理低分辨率输入和揭示高保真度细节方面，均显著优于现有的基于学习和优化的方法。

    Nov, 2018

  • 基于层次化点云表示的物体动态建模

    基于连续点卷积的新型 U-net 架构能够自然地嵌入 3D 坐标信息，并通过已建立的下采样和上采样过程进行多尺度的特征表示，从而有效地改进了基于神经网络的三维物体动态建模方法。

    Apr, 2024

  • PU-Transformer: 点云上采样变形器

    本论文介绍了一种基于 transformer 模型的多头自注意力结构和位置融合块的点云上采样方法，并通过定量和定性的对比实验证明了其优越性能。

    Nov, 2021

  • 神经核表面重建

    本文提出了一种从大规模、稀疏且带噪声的点云中重建三维隐式表面的新方法，采用神经内核场（NKF）表示法，通过紧凑支持的核函数扩展规模，利用内存高效的稀疏线性求解器进行计算，并采用梯度拟合求解方法来提高抗噪性能，同时还最小化了训练要求，能够处理不同尺度物体和场景混合训练数据的情况。该方法能够在几秒钟内重建数百万个点，并能够处理非常大的场景。该方法在由单个物体、室内和室外场景组成的重建基准测试中取得了最先进的结果。

    May, 2023

  • INPC：用于辐射场渲染的隐式神经点云

    我们介绍了一种新的方法，用于无界现实世界场景的重建和新视角合成。与以前使用体积场、基于网格的模型或离散点云代理的方法不同，我们提出了一种混合场景表示，它在连续的八叉树概率场和多分辨率哈希网格中隐式编码点云。通过这样做，我们结合了两个世界的优势，通过保留优化过程中的有利行为：我们的新颖隐式点云表示和可微分双线性光栅化器可以实现快速渲染，同时保持细节几何细节而不依赖于像运动点云那样的初始先验知识。我们的方法在几个常见基准数据集上实现了最先进的图像质量。此外，我们以交互帧率实现了快速推断，并可以提取显式点云以进一步提高性能。

    Mar, 2024

  • 超越网格：点云和表面表示推动神经处理

    提出了一种使用点云数据结构将网格数据转换为更高维度表示的方法，其中每个平滑部分表示特定的像素位置，通过在具有更高细节的区域密集采样所构建的高曲面上获得密集的点云，该方法在公开的脑瘤数据集上实现了显着的改进，可从原始图像中提取错综复杂的细节，开辟了先进的图像分析和处理任务的新可能性。

    May, 2023