非刚性点云匹配的神经内在嵌入
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
本文提出了一种新的低层纯旋转不变表示,以替代常见的 3D 笛卡尔坐标作为神经网络的输入,并介绍了一种网络结构来将这些表示嵌入为特征,编码点与邻居之间以及全局形状结构之间的局部关系,并通过区域关系卷积来编码局部和非局部信息以缓解因旋转不变表示引起的全局信息丢失。在多个点云分析任务上评估我们的方法,包括形状分类、部件分割和形状检索,实验结果表明与现有技术相比,我们的方法在任意方向上的输入上实现了一致且最佳的性能。
Mar, 2020
本文探究如何以点云数据为基础,应用深度学习方法以及掌握时间一致性的学习模块,实现对包含大量非刚性变形的 3D 动态场景进行时间插值的问题,并在各项实验中取得了比同类方法更好的效果。
Mar, 2022
本论文提出了一种基于对比学习方法的学习强大点云表示的新策略,该方法可以嵌入任何点云分类网络中,通过改进类内紧凑性和类间可分性来实现嵌入特征分布的细化,并提出了混淆易感类别挖掘策略来缓解由小的类间差异和类间紧凑度引起的混淆问题,并设计了一个基于信息熵理论的熵感知注意模块来识别嵌入空间中的样本异常值和不稳定样本,实验证明该方法比现有技术表现更好,并在现有技术中实现了显著的性能提升。
Jan, 2022
本研究探索如何用更简单、直接的编码方法来表示 3D 几何形状,以提高几何处理效率并避免数据保真度损失。实验结果表明,该方法能在非刚性形状一致性估算方面取得竞争优势。
Sep, 2018
我们提出了一种有效的无监督点云配准方法,通过捕捉源点云与其对应的参考点云副本之间的几何结构一致性,实现了对内点的可靠估计和自监督信号,从而提高了匹配的准确度和优化模型完成的鲁棒性。
Jul, 2023
通过对点卷积操作的不同嵌入机制实验研究,我们提供了第一项广泛的研究,旨在分析这些嵌入机制如何单独编码点邻域信息,并给出了一些建议,可以帮助改进点云的神经网络架构设计。我们发现,最常用的基于多层感知器(MLP)和 ReLU 激活函数的嵌入机制在所有嵌入方式中表现最差,甚至在某些任务上被简单的点坐标线性组合方式超越。此外,我们展示了基于这些嵌入机制的简单卷积神经网络在多个任务上取得了最先进的结果,优于最近和更复杂的操作。最后,我们展示这些发现可以推广到其他更复杂的卷积操作,通过遵循我们的建议,能够改进最近的最先进架构设计。
Oct, 2023
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
本文提出一种名为神经变形金字塔(NDP)的方法,通过分层的运动分解将非刚性运动表示为金字塔结构,具有多级非刚性运动分解以及 50 倍的速度提升,并在 4DMatch/4DLoMatch 基准测试中获得了先进的非刚性点云配准结果。
May, 2022