May, 2022

SoftPool++: 一种点云补全的编码解码网络

PDF
TL;DR我们提出了一种新的卷积算子，用于点云完成的任务。我们的方法的一个显著特点是与相关工作相反，它不需要任何最大池化或体素化操作。我们的算子不断提取具有置换不变性的特征，以保留细粒度的几何细节，通过对特征激活的软池化，从而学习编码器中的点云嵌入。通过特定设计的跳跃连接，将对应层之间的链接建立在编码器和解码器之间，以克服这类结构常见的限制，同时在点云完成任务中达到了最佳性能。
convolutional operatorpoint cloud completionsoft-poolingskip connectionsobject completion
发现论文，激发创造
  • SoftPoolNet: 点云完形与分类的形状描述器

    本文提出了基于点云的 3D 对象完成和分类方法，其中引入了一种称为软池化的提取特征的新方式和区域卷积的解码器阶段，该方法可与许多点云架构（如 AtlasNet 和 PCN）结合使用，并在物体完成和分类等 3D 任务上取得了最新的准确性

    Aug, 2020

  • 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

  • Pointfilter: 基于编码器 - 解码器建模的点云过滤

    本文提出了一种新的深度学习方法，通过去除噪声并保持尖锐特征，自动而又稳健地过滤点云，其点对点的学习架构由编码器和解码器组成，并在视觉质量和数量误差指标方面均优于现有深度学习技术。

    Feb, 2020

  • 使用递归集编码进行点云处理

    本文提出了一种新的置换不变网络用于 3D 点云处理，该网络由循环集编码器和卷积特征聚合器组成，对于无序点集，使用循环神经网络（RNN）对其进行编码并将功能集成到 2D 卷积神经网络（CNN）中，用于层次化特征聚合，该网络在空间特征学习方面表现出色，在多个基准测试中表现优异， 与最新技术水平相比也更加高效。

    Nov, 2019

  • SnowflakeNet: 通过跳过变换器使用雪花点解卷积完成点云补全

    本文介绍了一种名为 SnowflakeNet 的点云完成算法，采用 Snowflake Point Deconvolution (SPD) 来生成完整的点云，通过引入 skip-transformer 和 SPD 来学习最佳匹配局部区域的点分割模式，生成具有结构性和精细几何细节的点云，实验结果表明该方法优于现有的点云完成方法。

    Aug, 2021

  • Skip-Transformer 技术用于点云补全与生成的雪花点反卷积

    本文提出了一种基于 SnowflakeNet 和雪花点反卷积 (SPD) 的点云完成方法，该方法能精确展现局部区域的三维形态特征，并且在其他生成任务（如点云自编码、生成、单张图像重建和上采样）中效果优于现有的最佳方法。

    Feb, 2022

  • 深度点云重建

    该研究提出了一种基于深度学习的点云重建网络，采用两个阶段进行密集化、去噪和点云完整性重建，其中使用了变换器进行离散体素向 3D 点的转换，同时提出了放大位置编码模块以优化变换器，实现在 3D 扫描建模领域的最新水平。

    Nov, 2021

  • 大规模点云的全卷积点网络

    提出了一种用于处理大规模 3D 数据的一般用途的全卷积网络，具有内部将无组织的点云转换为有序结构以通过 3D 卷积处理的能力，可用于许多 3D 任务的通用点云描述符。在语义体素分割，语义部分分割和 3D 场景字幕数据集上进行了评估。

    Aug, 2018

  • 基于体素的网络，通过利用边缘生成进行形状补全

    本文介绍了使用基于体素的网络和边缘生成（VE-PCN）来实现点云补全的方法，该方法采用多尺度网格特征学习来生成更真实的表面细节，并在公开数据集上进行了评估，表现优于现有的最先进方法。

    Aug, 2021

  • 使用自适应实例规范化的点云卷积解码器

    本文提出了一种使用自适应实例规范化的卷积点云解码器 / 生成器方法，以改进自动编码点云的常用 Chamfer 距离的最小化扩展，并证明了小心采样对于点云生成过程非常重要。该方法在点云上采用自动编码设置进行了定量和定性分析，结果表明该解码器能够在多个实验中胜过目前已有的技术。

    Jun, 2019