Apr, 2022

PU-EVA: 基于边缘向量的灵活尺度点云上采样近似解决方案

PDF
TL;DR本文提出了基于边缘向量的适度尺度点云上采样方法，通过边缘向量的仿射组合编码邻域连接关系，实现了网络架构下的灵活上采样比例，实验证明该方法在保持几何细节的同时，超过了现有技术在表面接近度和分布均匀性方面的性能表现。
发现论文，激发创造
  • 基于体素网络的任意尺度点云上采样与隐式几何一致性学习

    最近，基于点云的任意尺度上采样机制因其在实际应用中的效率和便利性而越来越受欢迎。为了解决从稀疏点云学习表面表示所面临的挑战，我们提出了一种使用基于体素网络的任意尺度点云上采样框架（PU-VoxelNet）。通过利用体素表达的完整性和规律性，体素网络能够提供预定义的网格空间来近似三维表面，并根据每个网格单元内的预测密度分布重建任意数量的点。进一步，为了改善细节，我们提供了一种辅助训练监督方法，以强制实现局部表面块之间的潜在几何一致性。广泛的实验证明，所提出的方法在固定上采样率和任意尺度上采样方面都优于现有技术。

    Mar, 2024

  • PU-Net: 点云上采样网络

    本文提出了一种数据驱动的三维点云上采样技术，通过在特征空间中隐式地学习多层次特征并扩展点集，进而构建高密度点集，并在表面均匀分布的基础上实现采样点的重构，实验结果表明该方法的优越性。

    Jan, 2018

  • 3D 点云深度可变放大可扩展上采样

    本文提出了一种基于学习的框架，通过自适应地分析输入点云的局部几何结构，设计出轻量级神经网络来统一、排序插值权重以及高阶细化，从而生成具有密集点云的物体 / 场景，并处理非均匀分布和噪声数据，该方法于现实世界中的各种上采样因子都可运作，并在合成和实际数据上均获得了优于现有方法的表现。

    Nov, 2020

  • Grad-PU：基于学习距离函数的梯度下降任意尺度点云上采样

    该研究提出一种支持任意上采样率的点云高精度上采样方法，包括插值和迭代优化等步骤，经过大量的基准测试和下游任务的验证，表明该方法达到了最先进的准确性和效率。

    Apr, 2023

  • PU-EdgeFormer: 点云稠密预测的边缘 Transformer 上采样

    本研究提出了一种基于图卷积和变压器结合的点云上采样方法 PU-EdgeFormer，能够同时学习点云的局部和全局结构，通过实验证明在客观和主观方面都优于现有的最先进方法。

    May, 2023

  • Meta-PU：点云任意比例上采样网络

    本研究提出了一种名为 Meta-PU 的新方法，通过一个模型支持任意比例的点云上采样，并且通过在 Meta-PU 方法中动态调整 RGC 块的权重和采用 farthest sampling 块对不同数量的点进行采样，可实现连续上采样。

    Feb, 2021

  • 使用具有重叠支持的频率选择模型的点云几何和属性上采样

    提出一种联合几何和属性信息进行点云上采样的频率选择性上采样（FSU）方法，在几何模型采样和属性模型评估两个步骤中利用块式覆盖支持来提高点云的表面详细度和视觉效果，并在实验证明，在误差和颜色 PSNR 等方面优于其他常规方案。

    Jan, 2023

  • PUGeo-Net：一个针对三维点云上采样的几何中心网络

    本文提出了一种基于深度神经网络的方法 PUGeo-Net 用于处理点云密集化，从而描述底层几何结构，不仅可用于 CAD 模型的尖锐特征，也可用于具有丰富几何细节的扫描模型，同时实现了生成定点坐标和该点法线并存的任务。

    Feb, 2020

  • 基于数据驱动的点云上采样

    本文提出了一种基于深度神经网络的数据驱动算法，使用 Chamfer 距离作为损失函数对 3D 散点云进行上采样，该算法不需要硬编码规则，并能够学习属于不同对象类别的点云的潜在特征，实验结果表明，相比基于优化的上采样方法，该算法能够生成更加均匀和精确的上采样结果。

    Jul, 2018

  • PU-Transformer: 点云上采样变形器

    本论文介绍了一种基于 transformer 模型的多头自注意力结构和位置融合块的点云上采样方法，并通过定量和定性的对比实验证明了其优越性能。

    Nov, 2021