PointScatter:用于管状结构提取的点集表示方法
StructureNet是一种基于层次图网络的生成模型,可以对以各种方式变形、修改的3D形状进行编码。它可以用于生成大量逼真的结构形状几何,也可以通过从未标记的图像、点云或部分扫描中直接发现形状结构,同时还能够用于形状生成、插值和编辑。
Aug, 2019
本文中提出了一种简单且可解释的无监督学习方法,可以生成具有内在结构的三维结构点,这些点在类似结构的所有形状实例中表现出语义的一致性,并且通过采用PCA 嵌入技术,本方法在保留形状结构方面表现出良好的性能。
Mar, 2020
使用无监督学习方法,通过中轴变换来捕捉点云的内在几何和拓扑特性,从而产生更为通用的骨架结构,并利用此学习结果可以促进点云的表面重建和分割。
Dec, 2020
提出了一种名为 Path-CNN 的方法,该方法将卷积神经网络嵌入到渐进式最小路径方法中,用于检测管状结构中心线的分割,可以在更少的注释数据和低硬件要求下达到更好的性能。
Apr, 2022
本文提出了一种新的方法,将点云补全问题转化为集合转换问题,并设计了一种名为PoinTr的新模型,采用Transformer编码器-解码器架构进行点云补全。通过将点云表示为带有位置嵌入的无序点组的集合,我们将输入数据转换为点代理的序列,并使用Transformer进行生成。为了更好地利用点云的3D几何结构的归纳偏差,我们进一步设计了一个几何感知块,以显式模拟本地几何关系。我们还进一步提出了AdaPoinTr,并在点云完成期间开发了自适应查询生成机制和新颖的去噪任务,实现了模型的高效和有效训练。我们还展示了我们的方法可以扩展到场景级点云完成方案,并设计了一种新的几何增强语义场景完成框架。我们的方法在现有和新提出的数据集上进行了大量实验证明其有效性,获得了6.53CD的PCN,0.81CD的ShapeNet-55和0.392MMD的真实KITTI,在各种基准测试中均超过了其他工作,并建立了新的技术水平。值得注意的是,AdaPoinTr可以以更高的吞吐量和更少的FLOP实现如此令人满意的性能,而不像以前的最佳方法。
Jan, 2023
本研究提出了CDFormer,一种新的利用收集和分布机制的Transformer架构,可对点云的局部和全局结构进行有效学习,并在四个流行的点云数据集上取得了新的最佳分类和分割结果。
Jun, 2023
该论文提出一种DSCNet模型,通过使用动态蛇卷积、多视图特征融合与连续性约束函数来实现对拓扑管状结构进行精确分割的目标,并在2D和3D数据集上进行了验证与实验。
Jul, 2023
我们提出了一种最小路径方法,用于同时计算具有线拓扑的管状结构的分割掩模并提取中心线。该方法通过引入一种新颖的迭代训练方案,使得能够生成更好的针对最小路径方法的训练样本,而不需改变现有的标注,从而解决了由于使用CNN的方法所生成的训练样本与推理时遇到的样本之间可能存在的差异。我们的方法在分割掩模和中心线方面取得了最先进的结果,并且仅需要非常少量的标注训练图像。
Sep, 2023
提出了一种新的方法来从骨架表示中重建管状形状,通过将管状形状表示为截断的有符号距离函数(TSDF)以体素哈希的方式处理所有骨架点作为一个整体,从而消除了将输入结构分割成多个部分的需要。与其他方法相比,我们的方法不涉及任何表面采样方案或解决大型矩阵方程,因此是管状形状重建的更快且更优雅的解决方案。实验证明了所提方法的高效性和有效性。可在此https URL找到代码。
Feb, 2024
提出了一种新的骨架召回损失,通过绕过昂贵的GPU计算,采用廉价的CPU操作,解决了薄结构分割中的计算和内存负担问题,并在保持拓扑性方面表现出卓越性能。
Apr, 2024