设计对称神经网络处理三维点云
该论文提出了一种深度学习架构,能够在点云识别中实现离散的 SO(2)/SO(3)旋转等变性,通过消除置换并进行操作,提升了任何现有点云网络的性能,并在各种旋转下,展示了分类任务的最新成果。
Mar, 2019
本文提出了一个用于学习来自 3D 点云的 SE (3)- 等变特征的卷积结构。它将 KPConv(一种广泛用于处理点云数据的卷积形式)视为等变版本。通过组合群卷积和商表示,我们实现了一个简单,轻量级,快速的设计,能与现有的任务特定点云学习管道集成,同时在各种任务中实现了可比较或更优的性能,消耗更少的内存和运行速度更快。通过实验,我们展示了该方法可以促进点云等变特征学习在实际应用中的采用并激发未来应用的发展。
Jun, 2022
本文提出了一个有效的 SE(3)网络,它是针对点云分析领域中 3D 形状对齐任务而设计的,可以利用等变特征来提高性能并解决相对较少探索的旋转等变特征对 3D 形状对齐任务的处理问题。我们采用一个新的框架 SE (3) 可分点卷积来降低计算成本,并在网络中引入一个注意力层来有效地利用等变特征的表达能力。通过广泛的研究和视觉解释,实证结果表明,我们提出的模型在各种基准测试中优于强基线。
Mar, 2021
本文介绍了一种基于向量神经元的通用框架,用于创建点云处理的 SO(3)- 等变神经网络。通过扩展神经元从 1D 标量到 3D 向量,向量神经元使得我们可以将 SO(3)操作简单地映射到潜在空间中,从而提供了构建常见神经操作的等变性的框架,尽管方法简单,但在准确性和泛化性方面表现出色,是处理任意姿态下的几何输入的一种有效方法。
Apr, 2021
介绍了局部等变于 3D 旋转,平移和点的排列的张量场神经网络;使用球谐函数构建滤波器,接受标量、向量和高阶张量作为输入,并在几何意义下保证输出。用于处理几何、物理和化学任务。
Feb, 2018
本文介绍了 SE (3)-Transformer,一种用于 3D 点云和图形的自我注意模块,它在连续 3D 旋转变换下具有等变性。SE (3)-Transformer 利用自我注意的好处来处理点云和图形,同时保证了 SE (3)- 等变性,从而提高了模型的稳健性和预测性能。本文的模型在多个数据集上均取得了竞争性能,超过了一个强的非等变的基准模型和一个等变的模型没有注意力。
Jun, 2020
从二维图像中学习关于三维世界的知识是计算机视觉中的一个基本问题,本文提出了一种学习三维表示的算法,满足几何一致性约束,并在三个姿态预测任务中取得了 SOTA 结果。
Jul, 2023
通过局部模式方向在连续 SO (3) 群上实现分析 3D 体积数据的等变神经网络,提供了对流形旋转不变性的创新方法,并显示出在各个领域具有潜在应用的灵活性。
Apr, 2024