Jul, 2022

GraphFit: 学习多尺度图卷积表示用于点云法向估计

PDF
TL;DR本文提出了一种精确高效的方法，用于处理非结构化三维点云上的噪声与非均匀密度，并通过图卷积特征表示学习局部邻域几何信息进行法向量估计，设计了基于注意力机制的自适应模块，进一步增强了法向估计器对点密度变化的鲁棒性，并引入多尺度结构提取图块来学习更丰富的几何特征，在多个基准数据集上实现了最先进的精度和较强的噪声鲁棒性。
normal estimation3d point cloudsgraph convolutional feature representationadaptive modulemulti-scale architecture
发现论文，激发创造
  • 学习图卷积表示用于点云去噪

    本文提出一种基于图卷积层的深度神经网络，能够优雅地处理学习型点云处理方法所遇到的置换不变性问题，通过动态构建邻域图来建立特征的复杂层次结构，与促进接近理想表面的损失相结合，该方法在各种指标上都明显优于现有方法，特别是在高噪声和结构噪声等实际情况下表现尤为稳健。

    Jul, 2020

  • 加权点云法向估计

    本研究提出了一种加权法线估算方法，包括一种新型加权法线回归技术和一项对比度学习预处理过程，在保持特征的同时实现了鲁棒性，处理了噪声和复杂的点云，获得了合成和真实数据集上的最先进性能。

    May, 2023

  • AdaFit: 基于学习的点云法向量估计的重新思考

    该论文提出了一种神经网络 AdaFit，用于在含有噪声和密度变化的点云上进行强健的法线估计，并通过实验证明其能够在合成数据集和真实场景数据集上实现最好的性能。

    Aug, 2021

  • Nesti-Net: 使用卷积神经网络进行非结构化三维点云的法向估计

    本文提出了基于多尺度点统计（MuPS）的局部高斯网格表示的法向估计方法 Nesti-Net，使用混合专家（MoE）结构来优化每个点周围的最佳比例，从而显著提高模型的鲁棒性和精度。实验结果表明，该方法在合成数据集上达到了最先进水平，并在实际扫描场景上展现了良好的表现。

    Dec, 2018

  • 点云分析的自适应图卷积

    本文提出了 Adaptive Graph Convolution (AdaptConv) 来生成自适应的核，以动态地学习点云的特征，从而以灵活、精确地捕捉不同语义部分点之间的多样关系的方式，改善了基于点云的卷积操作的适应能力，并且在几个基准数据集上表现优于当前最先进的点云分类和分割方法。

    Aug, 2021

  • 基于点云学习的动态图卷积神经网络

    该论文提出了一种新的神经网络模块 EdgeConv，用于处理点云数据的图形分类和分割任务，它在每个层动态计算出图形，具有可堆叠和可微性等优点，并通过一些标准基准测试展示了优异性能。

    Jan, 2018

  • 点云分割的正则化图卷积神经网络 (RGCNN)

    本文提出了一种正则化图卷积神经网络 (RGCNN)，通过谱图理论，将点云中的特征视为图上的信号进行卷积，可以直接处理点云数据，提高了点云分割效能，并在 ShapeNet 部件数据集上进行了实验验证。

    Jun, 2018

  • 基于 Patch 拼接的点云快速准确法向估计

    本文提出一种基于多补丁拼接的有效法线估计方法。通过使用局部特征聚合和多支平面专家模块等创新手段，实现在降低计算成本和提高鲁棒性的同时，取得了极具竞争力的效果。

    Mar, 2021

  • 基于图卷积神经网络的三维点云分类

    本文介绍了使用 Graph-CNNs 和 PointGCN 对 3D 点云数据进行分类的方法，通过局部图卷积和两种图降采样操作实现了对点云局部结构的有效探索，与竞争方案相比，该架构具有更稳定的性能。

    Nov, 2018

  • 基于注意力机制的图卷积神经网络点云学习

    提出了名为 AGCN 的新型网络结构，结合了图卷积网络和注意力机制，可以有效地从无序和非结构化的点云数据中提取特征，经实验证明在分类和分割任务中均达到了当前最先进的性能。

    May, 2019