适用于点云完整性的全部点云吗?点云完整性弱监督质量评估网络
提出了一种基于两个分支的神经网络,用于点云的完形填充,其中第一个分支是连锁的对象完形子网络,第二个分支是一个自编码器,共同利用局部输入和粗糙输出来保留对象细节,并使用相同的特征提取器学习形状完形的全局特征,实验结果表明,该方法在点云完形填充任务上的效果超越了现有技术的方法。
Oct, 2020
本研究利用弱监督的方法,通过多视角几何约束来同时估计 3D 的标准形状和 6 自由度姿态,解决了学习未对准和真实世界部分点云的情况下,利用大量数据进行 3D 形状补全的问题。实验证明,学习姿势估计可以促进部分点云的配准。
Aug, 2020
本文提出了一种基于变分关系点补全网络(VRCNet)的框架,采用概率建模和关系增强技术,实现对不完整点云进行准确重建,并达到对部分点云进行 3D 分类和模型识别的目的。
Apr, 2023
提出了一种级联细化网络结合粗到细的策略,通过考虑局部输入的细节和全局形状信息,保留了不完整点集中的现有细节,生成高保真度的缺失部分,并设计了一个补丁鉴别器来学习复杂的点分布,实验结果表明在 3D 点云完成任务中,我们的方法优于现有最先进的方法。
Apr, 2020
本文提出了一种基于变分框架的点云重建方法 (Variational Relational point Completion network - VRCNet),该方法采用了概率建模和关系增强技术实现点云的精细局部重建,同时给出了一个包含 10 万多个高质量扫描的多视角局部点云数据集 (MVP 数据集),实验证明 VRCNet 在标准点云重建基准上的性能优于目前的最先进方法,并且在真实世界点云扫描中表现出了很好的泛化性和鲁棒性。
Apr, 2021
本文提出了一种新的基于学习的方法 ——Point Completion Network(PCN),该方法直接在原始点云上操作而不需要任何结构假设或注释,并且其解码器设计可以在保持参数数量较小的同时生成精细的完整点云。实验结果表明,PCN 在处理各种不完整和噪声的输入时可以产生密集、完整、具有现实结构的点云。
Aug, 2018
本文提出了一种弱监督学习的三维形状补全方法,旨在解决从稀疏噪声点云进行三维形状补全的问题。与现有的数据驱动方法和基于学习的方法相比,该方法既不需要昂贵的优化步骤,也不需要直接监督,通过使用深度神经网络来学习最大似然拟合,具有高效和准确的形状补全能力。在来自 ShapeNet、ModelNet、KITTI 和 Kinect 的综合基准测试中,该方法能够与最近的完全监督基线相竞争,并且优于数据驱动方法,同时需要更少的监督并具有显着的速度优势。
May, 2018
本文提出了一种新的方法,通过两个阶段,利用参数化表面元素和采样算法预测粗粒度点云并与输入点云合并来完成部分点云。实验结果表明,该方法在 Earth Mover's Distance(EMD)和 Chamfer Distance(CD)等方面表现优异,优于现有方法。
Nov, 2019
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