PD-Flow:一种带有归一化流的点云去噪框架
本文提出了一种基于一级形状分布和二级点分布的概率框架,通过 PointFlow 学习两个级别的分布,并采用连续归一化流训练,进而生成 3D 点云,实现了无监督学习和重建点云,达到了最先进性能。
Jun, 2019
本文介绍了一种基于神经网络的 3D 点云去噪架构,使用深度学习技术进行去噪,将超过 40000 个采样点的 3D 数据进行网络训练,使用 350 个数据集进行测试,结果表明该算法具有更好的去噪性能和更小的方差。
Apr, 2019
介绍了基于 normalizing flow 的强大而精确的噪声模型 Noise Flow,结合了基本参数噪声模型和神经网络的灵活性和表现力。与已有的噪声模型相比,Noise Flow 具有显著的改进,是第一次试图超越简单的参数模型,利用深度学习和数据驱动的噪声分布来建模和综合图像噪声。
Aug, 2019
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
该研究论文探讨生成模型在三维点云形状建模方面的应用,提出一种基于归一化流和仿射耦合层的潜在变量模型,用于生成、自编码和单视角形状重构任务,相较最近的基于 GAN 和基于连续流的模型,该模型在训练和推理速度上有明显提升,并在特定指标上实现了优于其他模型的表现,包括单视角形状重构等。
Jul, 2020
本文提出了 SoftFlow,一种用于训练流模型的概率框架,能够更好地捕捉流模型的困难维度,并通过应用于三维点云数据,可以更准确地预测各种形状的分布,达到了流模型生成方面的最佳表现。
Jun, 2020
本研究提出了一种新颖的神经网络模型 FlowNet3D,该模型旨在从点云数据中学习场景流,该模型可以通过扫描定位和运动分割等多种应用,对 Lidar 扫描等多种实际场景进行高效准确的场景流处理。
Jun, 2018
本研究提出了使用 2D 归一化流来实现概率分布估计的 FastFlow,并将其作为插件模块与 ResNet 和视觉变换器等任意深度特征提取器一起使用,以进行无监督的异常检测和定位。实验结果表明,FastFlow 在准确性和推理效率方面优于以前的状态 - of-the-art 方法,其在异常检测方面达到了 99.4%的 AUC。
Nov, 2021
PaddingFlow 是一种新颖的去量化方法,通过在流模型中引入填充维度噪声,克服了正则化流模型在具有流形或离散数据时的性能问题,并在无条件密度估计的主要基准测试和条件密度估计的 IK 实验中展示出改进性能。
Mar, 2024