3D 点云的生成模型
该论文探讨了点云作为表示几何数据的方法,利用深度自编码器网络来提高 3D 识别及形状编辑的表现,并对不同的生成模型进行了研究,发现在 AE 的潜在空间中训练的高斯混合模型具有最佳的生成效果。
Jul, 2017
该研究论文探讨生成模型在三维点云形状建模方面的应用,提出一种基于归一化流和仿射耦合层的潜在变量模型,用于生成、自编码和单视角形状重构任务,相较最近的基于 GAN 和基于连续流的模型,该模型在训练和推理速度上有明显提升,并在特定指标上实现了优于其他模型的表现,包括单视角形状重构等。
Jul, 2020
本文提出了一种新的 3D 生成建模框架,使用 2D 卷积运算从多个视角预测 3D 结构,并联合应用几何推理和 2D 投影优化来高效地生成以密集点云形式呈现的物体形状,并引入伪渲染器来合成优化的新深度图,在单张图像 3D 对象重建任务中表现了优越的形状相似性和预测密度。
Jun, 2017
提出了 PointGPT 方法来扩展 GPT 模型到点云中进行自回归生成任务的预训练,其通过多个点序列来实现学习潜在的表示,并在各种下游任务中实现了最先进的性能,特别是在 few-shot 学习方面也产生了新的 state-of-the-art 结果。
May, 2023
本文提出了一种新的方法,将三维点云映射到三维生成对抗网络的潜在空间。我们的生成模型基于 SP-GAN,它是一种最先进的球引导三维点云生成器。我们提出了一种有效的编码方式,可将输入的三维点云编码到 SP-GAN 的潜在空间中。我们的对点云编码器可以解决反演过程中的点排序问题,从而确定生成的三维点云中的点与生成器使用的规范球中的点之间的对应关系。我们展示了我们的方法在三维点云的 GAN 反演上优于以前的方法,定量和定性地获得了最先进的结果。我们的代码可在此 https URL 上获得。
Nov, 2022
本文提出了一种无监督的方法来将三维点云的变分自编码器的潜空间进行划分,结果展现出直观可解释的行为,在姿态转换和姿态感知形状检索等任务上表现出色,为人工智能中 3D 形状表示问题提供重要思路。
Aug, 2019
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
基于聚类的监督学习方案用于点云分析,通过在点嵌入空间上进行类内聚类来自动发现子类模式,进而重构嵌入空间以提高鲁棒性;该算法在各种 3D 网络架构上表现出明显的改进,并在知名点云分割数据集和 3D 检测中显示出实用性。
Jul, 2023
本文首次提供了深入的视角,从多个方面分类当前基于 Transformer 框架的方法,针对自注意机制的变体和改进进行了探究,并在分类、分割、目标检测等方面进行了综合对比,最后提出了三个潜在的研究方向,为 3D Transformers 的发展提供了有益参考。
May, 2022