FN-Net: 通过滤除噪声去除异常值
本文介绍一种基于深度学习的点云去噪方法,可以对噪声和离群点进行有效的处理,并且能应用于大规模点云数据的处理中,实验表明该方法可以有效提高 3D 重建的稳健性。
Jan, 2019
本文提出了一种基于密集预测的异常检测方法,利用广泛而多元的通用数据集作为负样本,通过在内部训练图像上叠加负补丁来鼓励模型识别已知和未知之间的边界。在三个密集开放识别基准数据集上得到了有竞争力的实验结果。
Jan, 2021
数字化社会快速发展,朝着数字孪生和元宇宙的实现方向迈进。其中,点云作为一种 3D 空间的媒体格式备受关注。由于测量误差,点云数据受到噪声和异常值的污染,因此在点云处理中需要进行去噪和异常值检测。我们通过应用基于动态图卷积神经网络设计的两种类型的图卷积层来解决 PointCleanNet 未考虑局部几何结构的问题。实验结果表明,所提方法在 AUPR(异常值检测准确度)和 Chamfer 距离(去噪准确度)上优于传统方法。
Oct, 2023
本研究提出了 IO-Net (内点外点网络) 和 KeypointNet (关键点网络) 两种神经网络架构,分别用于自监督学习的关键点检测、描述和匹配,通过在挑战性基准测试上的实验证明,所提出的自监督学习方法显著提高了关键点匹配和单应矩阵估计的质量。
Dec, 2019
本文介绍了一种基于完全卷积神经网络的技术,旨在解决点云处理过程中的数据缺失与冗余问题,该方法可以提高基于学习的和经典的点云配准方法的准确性,并在真实世界与合成数据集上进行了测试和演示。
Oct, 2020
提出了一种基于可逆规范化流模型的异常检测方法,通过学习所有合法目标类别的联合数据分布,能够在生成的异常特征具有低于所有目标类别合法物体的低可能性的同时,建模更好的入侵对象和异常对象的决策边界,在图像和视频数据集中显著优于现有的技术。
Feb, 2023
本文介绍了一种基于深度学习和规则化技术的光学条纹图象去噪方法,可以有效去除条纹图象中的噪声,提高提取相位场的准确性和鲁棒性。实验结果表明,该方法在去除噪声的同时,能够保留条纹图象的主要特征,速度较快,具有一定的竞争力。
Jan, 2019
本研究提出了一种基于深度神经网络的新的凹凸条纹图案 FP 去噪和标准化的框架,并使用 U-net,V-net 模型对其进行模拟和改良,对不同噪声和分布的 FP 进行实验评估,证明其重要性和潜力。
Jun, 2019
本文提出一种名为 Refine-Net 的法线细化网络,通过从多个特征表示中提取更多信息并结合一种新的连接模块设计来预测嘈杂点云的准确法线,并使用一种新的多尺度贴合补丁选择方案来进行初始法线估计。该网络是一种通用的法线估计框架。
Mar, 2022