使用深度隐式场从点云中重建紧凑建筑模型
基于学习的方法,从空中激光雷达点云中重构建筑物为 3D 多边形网格,通过引入生成模型来适应各种建筑形状和结构,通过直接从点云数据中学习,减少误差传播并提高重构的准确性,在苏黎世、柏林和塔林的空中激光雷达数据上进行实验证明了方法的良好泛化能力。
Mar, 2024
通过引入 ImpliCity,实现将三维场景表示为隐式连续占据场的神经表示,可以提高数字表面模型(DSM)的质量,特别是在建筑物重建方面具有明显优势。
Jan, 2022
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
本论文介绍了一个能够处理几何和属性组件的点云压缩框架,利用两个基于坐标的神经网络来隐式表示体素化的点云,通过将空间划分为小的立方体并专注于非空立方体内的体素来重建原始点云的几何和属性组件。实验结果表明,与最新的 G-PCC 标准中采用的八叉树方法相比,我们提出的方法具有更优越的性能,并且与现有的基于学习的技术相比具有高度的普适性。
May, 2024
这篇论文介绍了一个城市建模的数据集 Building3D,它包括超过 160,000 幢建筑物的点云、网格和线框模型,覆盖爱沙尼亚的 16 个城市,面积约为 998 平方公里。作者通过对先进算法的评估发现 Building3D 存在高内类别差异、数据不平衡和大规模噪声等挑战。这个数据集是首个最大规模的城市建模基准,可以用于监督学习和自监督学习方法的比较。作者认为 Building3D 将促进未来在城市建模、航路规划、网格简化和语义 / 部分分割等领域的研究。
Jul, 2023
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
我们提出了一种新颖的神经隐式建模方法,利用多种正则化策略在仅依赖图像的情况下实现大型室内环境的更好重建,通过稀疏但准确的深度先验将场景锚定到初始模型,并引入一种密集但精度较低的深度先验,灵活性足以让模型从中分离出来改善估计的几何建模,并提出了一种新颖的自监督策略来规范估计的表面法线,最后,可学习的曝光补偿方案适应复杂的光照条件。实验结果表明,我们的方法在具有挑战性的室内场景中产生了最先进的 3D 重建结果。
Sep, 2023
从嘈杂和稀疏的部分点云中重建 3D 汽车对于自动驾驶非常重要。我们提出了一种名为 MV-DeepSDF 的新框架,通过估计多次扫描点云中的最优符号距离函数(SDF)形状表示来重建野外汽车。通过在潜在特征空间中分析多次扫描的一致性和互补性,并将隐式空间形状估计问题转化为元素到集合特征提取问题,我们首次探讨了多次扫描的重建。通过设计一种新的架构来提取单个元素级表示并将它们聚合生成集合级的预测潜在代码,得到隐式空间中最优 3D 形状的表达,并可以随后解码为连续的 SDF 汽车。通过对两个实际自动驾驶数据集(Waymo 和 KITTI)进行彻底实验,我们展示了我们的方法在质量和量化方面优于现有的替代方法。
Aug, 2023
提出了一个用于建筑模型的框架,针对点云清理、平面检测和语义分割等挑战进行处理,通过自适应阈值技术来清除异常值,并采用稳健的 RANSAC 算法进行平面检测和基于 PointNet 架构的深度学习方法进行建筑物的语义分割,结果表明该框架在建筑模型任务中具有高效和准确性,为建筑模型领域的提高准确性和效率铺平了道路。
Feb, 2024