CVPRMar, 2023

NeuralPCI：用于 3D 点云多帧非线性插值的时空神经域

PDF
TL;DR该研究提出了 NeuralPCI，这是一个能隐式整合多帧信息用于处理室内和室外大非线性运动的 4D 时空神经场，以及一个名为 NL-Drive 的新的点云插值数据集。该方法在 DHB 和 NL-Drive 数据集上取得了最先进的性能，并在点云外推、变形和自动标记等其他领域具有潜在的应用价值。
发现论文，激发创造
  • NeuroGauss4D-PCI: 基于 4D 神经场和高斯变形场的点云插值

    该论文介绍了一种名为 NeuroGauss4D-PCI 的方法，通过模拟非刚性变形和对参数进行插值来解决点云插值问题，并在点云帧插值中表现出优越性能。

    May, 2024

  • IDEA-Net: 深度嵌入对齐的动态三维点云插值

    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

  • PointINet：点云帧插值网络

    本研究介绍一种名为 PointINet 的新型框架，其利用三维场景流计算出两个点云帧之间的插值帧以提高激光雷达的帧率。通过定量和定性实验证明了该方法的有效性，并在两个大型室外 LiDAR 数据集上展示了出色的表现。

    Dec, 2020

  • D-NPC: 动态神经点云用于从单目视频进行非刚性视图合成

    该研究论文介绍了一种从单目视频中进行动态新视图合成的新方法，通过将场景表示为动态神经点云，利用数据驱动的先验信息和快速可微分光栅化器和神经渲染网络，实现高质量的合成图像。

    Jun, 2024

  • NVFi：基于动态视频的三维物理学习的神经速度场

    本文旨在从多视角视频中建模 3D 场景的动态。我们提出了一种新的方法，通过仅利用视频帧学习 3D 场景的几何、外观和物理速度，从而支持多种理想的应用，包括未来帧插值、无监督的 3D 语义场景分解和动态运动传递。

    Dec, 2023

  • 动态 3D 点云序列作为 2D 视频

    通过将动态 3D 点云序列作为 2D 视频进行重新组织，我们提出了一种名为 SPCV（Structured Point Cloud Videos）的新型通用表示方法，利用其结构化的特性，使得现有的 2D 图像 / 视频技术能够高效有效地处理和分析无结构的 3D 点云序列，以及解决包括动作识别、时间插值和压缩在内的 3D 点云序列处理问题。

    Mar, 2024

  • 利用分层帧间块匹配学习动态点云压缩

    本文提出了一种通过基于分层块匹配的帧内预测模块学习压缩动态点云（DPC）几何信息的压缩框架，并且在 KNN-attention 块匹配和多尺度光流的压缩方面使用了完全分解的深度熵模型。实验表明该框架优于先前的最先进方法，同时也优于 MPEG 标准 V-PCC v18 在帧间低延迟模式下的效果。

    May, 2023

  • 动态神经辐射场只需时间插值

    提出了一种基于时间插值的方法来训练动态场景的时空神经辐射场以及两种特征插值方法 (基于神经网络和网格)，其中网格表示法的训练速度比之前的基于神经网络的方法提高了 100 倍以上。

    Feb, 2023

  • 用于三维点云理解的插值卷积网络

    本文提出了一种新的 Interpolated Convolution 操作，即 InterpConv，以解决点云特征学习和理解问题，进一步设计了基于 InterpConv 层的 Interpolated Convolutional Neural Networks（InterpCNNs）来处理点云识别任务，实验表明这种方法可以有效地捕捉细粒度的局部结构和全局形状的上下文信息，并在公共基准测试中取得了最先进的性能。

    Aug, 2019

  • 神经点：带有神经场的点云表示法，用于任意上采样

    本文提出了一种新的点云表示 Neural Points，并将其应用于任意分解上采样任务中。相较于传统的点云表示，每个点在 Neural Points 中通过神经场表示局部连续几何形状，因此 Neural Points 包含更多的形状信息并具有更强的表征能力。实验证明，Neural Points 在任意分辨率上对点云进行重新采样的表现优于最先进的点云上采样方法。

    Dec, 2021