IterativePFN: 真正迭代的点云滤波
点云过滤是一项基础的三维视觉任务,本文提出了一种基于深度学习的新方法 StraightPCF,通过沿直线路径移动噪点以减少离散化误差和更快地收敛到干净表面,该方法在合成和实际数据上均取得了最先进的结果。
May, 2024
本文提出了基于点分形网络的学习方法 Point Fractal Network(PF-Net),用于精确高保真度的点云补全,通过多尺度生成网络进行缺失点云的预测。同时,通过多阶段的补全误差和对抗损失来生成更真实的缺失区域,实验证明了该方法的有效性。
Mar, 2020
本文提出了一种新颖的迭代反馈网络(IFNet)用于无监督点云配准,通过重新路由后续的高级特征,高效地丰富了低级特征的表示;进一步设计了反馈变换器以从反馈的高级特征中高效选择相关信息进行细化;最后引入了几何感知描述符来充分利用几何信息,从而获得更精确的配准结果。在各种基准数据集上的广泛实验表明了我们 IFNet 的优异配准性能。
Jan, 2024
该研究提出了一种基于 Cascaded Primitive Fitting Networks 的人造对象检测方法,该方法在点云数据集上能够有效地检测全局和局部的原始形状,并特别提高细粒度原始形状的检测率。
Aug, 2021
本文介绍一种基于深度学习的点云去噪方法,可以对噪声和离群点进行有效的处理,并且能应用于大规模点云数据的处理中,实验表明该方法可以有效提高 3D 重建的稳健性。
Jan, 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
介绍一种基于深度学习、归一化流以及噪音解缠技术的点云去噪方法,通过对噪声进行解缠并建立欧几里得空间和潜在空间之间的映射,从而实现高精度的去噪。在合成和真实世界数据集上的定性和定量实验表明,其性能优于现有的基于深度学习的方法。
Mar, 2022
本文提出了一种适用于新视角合成的有效的点云渲染管道,其中包括自适应频率调制模块,用以提供更丰富的频率支持并改善网络性能,并支持高保真度交互式编辑。实验结果也表明本方法在性能表现方面优于现有最先进技术。
Mar, 2023
本文提出一种基于图卷积层的深度神经网络,能够优雅地处理学习型点云处理方法所遇到的置换不变性问题,通过动态构建邻域图来建立特征的复杂层次结构,与促进接近理想表面的损失相结合,该方法在各种指标上都明显优于现有方法,特别是在高噪声和结构噪声等实际情况下表现尤为稳健。
Jul, 2020