CVPRMar, 2022

无监督点云补全结构化潜空间学习

PDF
TL;DR本文提出了一种新的框架，学习了一个统一的、结构化的潜在空间，其中包括映射相关局部点云的多个完整的形状和遮挡代码对，并将这些代码合并以获取它们在统一潜在空间中的表示，通过建立这样一个统一的和结构化潜在空间，可以实现更好的局部 - 完整几何一致性和形状完成准确性，并在合成和现实世界的各种数据集上比现有的无监督方法表现更为出色。
unsupervised point cloud completionlatent spacestructured ranking regularizationshape completion accuracykitti
发现论文，激发创造
  • 野外场景弱监督 3D 形状补全

    本研究利用弱监督的方法，通过多视角几何约束来同时估计 3D 的标准形状和 6 自由度姿态，解决了学习未对准和真实世界部分点云的情况下，利用大量数据进行 3D 形状补全的问题。实验证明，学习姿势估计可以促进部分点云的配准。

    Aug, 2020

  • 使用潜在优化的点云高保真语义形状补全

    通过基于学习的方法，利用生成建模和潜在流形优化来完成不完整的三维形状，我们的算法直接处理点云数据，成功地重建了在没有依赖基于示例数据库的检索的情况下大缺失区域的点云。

    Jul, 2018

  • 弱监督下的三维形状补全学习

    本文提出了一种弱监督学习的三维形状补全方法，旨在解决从稀疏噪声点云进行三维形状补全的问题。与现有的数据驱动方法和基于学习的方法相比，该方法既不需要昂贵的优化步骤，也不需要直接监督，通过使用深度神经网络来学习最大似然拟合，具有高效和准确的形状补全能力。在来自 ShapeNet、ModelNet、KITTI 和 Kinect 的综合基准测试中，该方法能够与最近的完全监督基线相竞争，并且优于数据驱动方法，同时需要更少的监督并具有显着的速度优势。

    May, 2018

  • P2C: 来自单个部分点云的无监督点云补全

    Point cloud completion using a self-supervised framework called Partial2Complete (P2C) that utilizes incomplete point clouds to predict masked patches by learning prior information from different partial objects, incorporating a region-aware chamfer distance and a normal consistency constraint, and demonstrating comparable results to methods trained with complete shapes.

    Jul, 2023

  • 利用单视图图像进行无监督三维点云补全

    本文提出了一种无监督的点云补全方法，不需要 3D 补全点云，只利用 2D 补全图像，使用单视角 RGB 图像提取 2D 特征，并使用融合模块将其与部分点云提取的 3D 特征相结合，以预测物体的完整形状。

    Dec, 2022

  • 学习局部位移实现点云补全

    该研究提出一种新的方法，使用基于 3D 点云的局部扫描来完成物体和场景的自动化补全，并通过使用特定的编码器 - 解码器结构以及三个特殊开发的新型层来实现。该方法在对象和室内场景自动补全任务中表现出优异的性能，并提高了技术水平。

    Mar, 2022

  • 基于点云联合分割的长方体形状抽象无监督学习

    本文提出了一种无监督形状抽象方法，将点云转换为紧凑的长方体表示，并以分割和长方体形状的联合预测为抽象任务，以自学习的方式加强分割和形状抽象之间的一致性，该方法不需要手动注释点云中的零件。本文通过几种形状集的评估，证明了该方法优于现有的形状抽象方法，支持结构形状生成、形状插值和结构形状聚类等各种应用。

    Jun, 2021

  • CrossPoint: 自监督的跨模态对比学习，用于三维点云理解

    本研究提出了一种名为 CrossPoint 的简单跨模态对比学习方法，通过自监督学习，在不需要人类标注的情况下，实现可转移的三维点云表示，通过最大化点云和相应渲染的二维图像之间的协议，实现了三维物体分类和分割等多项任务，并验证了我们的方法在提高点云理解方面的效果。

    Mar, 2022

  • 通过重构空间对点云进行自监督深度学习

    提出了一种自我监督学习方法，利用点云数据来预训练深度神经网络用于对象分类和语义分割，从而在减少监督样本数量方面提高样本效率。该方法不需要特定的网络体系结构，并且在下游的对象分类任务中优于当前无监督学习方法。

    Jan, 2019

  • 点云的无监督多任务特征学习

    该研究提出了一种无监督的多任务模型，用于联合学习点云上的点和形状特征，并定义了三个无监督任务来训练多尺度基于图形的编码器。结果表明，与之前的无监督模型相比，该模型在形状分类和分割基准上表现优异。在 ModelNet40 分类任务中，准确率达到 89.1％，在 ShapeNet 分割任务中，mIoU 为 68.2％，准确率为 88.6％。

    Oct, 2019