Jan, 2022

POCO：点卷积用于曲面重建

HTML
PDF
TL;DR研究提出了一种使用点云卷积和在每个输入点计算潜在向量的方法，然后进行最近邻的基于学习的插值。实验结果表明，该方法在大多数经典指标上明显优于其他方法，生成更精细的细节并更好地重建了更薄的体积。
发现论文，激发创造
  • 通过扩展算子的点卷积神经网络

    本文介绍了点卷积神经网络（PCNN）的框架和两个算子：扩展和限制。此外，还定义了点云卷积的概念，其具有高效性，不受各种因素的影响，并可将卷积核用于任何点云中。通过三项常见的点云学习基准测试，证明了PCNN方法的有效性。

    Mar, 2018

  • PFCNN：使用平行帧的三维表面上的卷积神经网络

    通过平行帧场的工具，定义了 PFCNN 在表面网格上的应用。通过模拟标准的卷积方式，可以有效地实现表面网格上的特征学习。实验证明，在不使用比表面网格 CNN 更复杂的输入特征的情况下，PFCNN 在分类、分割、配准和场景分割等方面均实现了优异的性能。

    Aug, 2018

  • 大规模点云的全卷积点网络

    提出了一种用于处理大规模3D数据的一般用途的全卷积网络，具有内部将无组织的点云转换为有序结构以通过3D卷积处理的能力，可用于许多3D任务的通用点云描述符。在语义体素分割，语义部分分割和3D场景字幕数据集上进行了评估。

    Aug, 2018

  • MVPNet：用于从单张图像重建三维物体的多视图点回归网络

    该论文提出了一种基于点云的物体表面重建方法，使用编码器-解码器网络通过单张图片生成多种视角下的点云，并且使用几何损失函数提高表面拟合准确性。

    Nov, 2018

  • 基于预测内外在比率指导的点云网格化

    本文提出了一种新的基于深度学习的方法，旨在从点云中重建物体表面网格表示，通过预测点云中三元组之间的连通性关系来生成高质量网格，并证明该方法在处理细节保留、模糊结构等实际问题时表现良好。

    Jul, 2020

  • 利用表面先验重建稀疏点云的表面

    通过在表面上使用先验信息, 使用神经网络从稀疏的3D点云中精确地重建表面，方法无需事先获取签名距离或点法向量，实现了最优的重建精度。

    Apr, 2022

  • 基于学习预测上下文先验的点云表面重建

    本文介绍一种利用神经网络编码局部上下文先验(surface reconstruction from point clouds)的方法。具体来说，我们先为大规模点云训练局部上下文先验，然后通过学习预测查询来为每个特定的点云定制先验，从而实现针对不同点云的全局重构。实验结果表明，该方法在单个形状或复杂场景的表面重建方面显著优于现有技术。

    Apr, 2022

  • GridPull：针对从3D点云中学习隐式表示的可扩展性

    通过快速查询网格和使用树结构加速到表面的距离计算，我们提出了GridPull来从大规模点云中改善学习隐式表示的效率。

    Aug, 2023

  • PPSURF：结合补丁与点卷积进行细节表面重建

    PPSurf是一种结合了基于点卷积的全局先验和基于处理局部点云补丁的局部先验的方法，能够在恢复表面细节方面比当前最先进的方法更准确，同时对噪声具有鲁棒性。

    Jan, 2024

  • Pointsoup：用于大规模点云场景的高性能和极低解码延迟的学习几何编解码器

    Pointsoup是一种高性能、极低解码延迟的高效基于学习的几何编解码器，通过将皮肤特征通过基于注意力的编码器嵌入到本地窗口中并引入扩张窗口作为跨尺度先验来推断量化特征的分布，实现了快速的特征细化，然后使用基于折叠的点生成器以相当快的速度重构点坐标。实验证明，Pointsoup在多个基准测试中达到了最先进的性能，且解码复杂度显著降低，即在较低端平台上（例如一块RTX 2080Ti上）与G-PCCv23 Trisoup解码器相比，快速了90-160倍。此外，它还提供变速控制，仅使用一个神经模型（2.9MB），对于工业实践者非常有吸引力。

    Apr, 2024