CVPRMar, 2023

EFEM：三维物体分割的等变神经场期望最大化方法，无需场景监督

PDF
TL;DR本研究提出一种无需注释或依赖场景训练，利用深度学习进行三维物体分割的算法，通过利用单个物体形状先验信息，采用等变形状表示及新型 EM 算法进行无监督的物体分割。实验结果表明，本算法在有不同物体姿态的场景中表现一致且鲁棒性良好。
发现论文，激发创造
  • EFM3D：用于衡量 3D 自我的基础模型进展的基准

    佩戴型计算机的出现为 AI 提供了一种嵌入式于自我中心传感器数据中的新的上下文来源。本文建立了 EFM3D，一个针对 3D 自我中心感知任务的基准，并提出了 EVL 作为 EFM3D 的基线模型，在大规模模拟数据集上进行训练，并在 EFM3D 基准上优于现有方法。

    Jun, 2024

  • 无监督刚体分割与运动估计的多体 SE (3) 等变性

    该研究提出了一种使用 SE (3) 等变特征进行刚体分割和运动估计的无监督学习方法，大大提高了模型效率和性能，并在四个数据集上进行实验证明了其有效性。

    Jun, 2023

  • 神经期望最大化

    本文研究了如何在推理和物理交互等任务中自动发现分布式符号样式表示，通过使用不同 iable 的聚类方法，并验证其有效性。

    Aug, 2017

  • 神经描述符域：SE（3）- 等变物体表征用于操作

    提出了神经描述器场（NDF），一种通过类别级别描述符编码物体和目标（例如机器人夹子或挂架）之间的点和相对姿态的物体表示。通过自我监督学习 3D 自编码任务来方便地训练 NDFs，并将其用于从少量示范中学习物体操作任务，具有跨越所有可能的 3D 物体翻转和旋转的性能。

    Dec, 2021

  • EMEF：集成多曝光图像融合

    本文提出了一种基于多个不完美的多曝光图像融合贡献者的集合框架（EMEF）以解决当前的 MEF 问题，通过在预训练阶段统一网络模仿不同的 MEF 目标，并在运行时通过优化风格代码来调整模仿者网络，进而在最新的 MEF 基准测试数据集上取得了最好的实验结果。

    May, 2023

  • NeSF: 用于三维场景的神经语义字段通用语义分割

    NeSF 是一种从 RGB 图像中生成 3D 语义场的方法，它利用了隐式神经场表示法，根据点积函数捕捉 3D 结构，能够在任意 3D 点上查询，并且生成可以与真实场景相对应的 3D 一致的语义图谱，是第一种只需要 2D 监督进行训练的真正密集的 3D 场景分割方法。

    Nov, 2021

  • 等变描述符场：SE（3）等变能量模型用于端到端的视觉机器人操作学习

    本文利用李群的表示理论构建了新的 SE (3) - 等变能量模型，允许高样本的端到端学习。我们证明这些模型可以从头开始学习，但具有很高的样本效率，并且可以推广到具有不同要求的任务中。

    Jun, 2022

  • 通过密集等变图像标注进行无监督的物体帧学习

    本文提出了一种基于视点分解的新方法，可以从视觉测量中提取抽象模型和目标类别的密集物体中心坐标系，并配有密集等变标记神经网络，可以将图像像素映射到对应的目标坐标系，这种方法可以适用于肢体简单目标和人脸等可变形物体，而不需要手动监督。

    Jun, 2017

  • uSF：学习具有不确定性的神经语义领域

    提出了一种新的神经网络模型 uSF，用于形成扩展向量表示，通过评估模型的预测不确定性，实现了对三维场景的可微分重建和不确定性估计，并证明了具有不确定性功能的模型在训练样本有限的情况下表现更好。

    Dec, 2023

  • SEMF: 监督的期望最大化框架用于预测区间

    该研究介绍了监督期望最大化框架（SEMF），这是一个多功能且不涉及具体模型的框架，可以为具有完整或缺失数据的数据集生成预测区间。SEMF 将经典的无监督学习中使用的期望最大化（EM）算法扩展到监督环境中，实现了提取不确定性估计的潜在表示。该框架通过在 11 个表格数据集上进行广泛的实证评估，表明其具有稳健性，在某些情况下可以获得比传统分位回归方法更窄的规范化预测区间和更高的覆盖率。此外，SEMF 与现有的机器学习算法（如梯度提升树和神经网络等）无缝集成，展示了其在实际应用中的有用性。实验结果突出了 SEMF 在不确定性量化方面推动最新技术的潜力。

    May, 2024