SDFReg: 学习点云配准的有符号距离函数
本论文提出通过噪声到噪声的映射来学习带符号距离函数,并利用现代 Lidar 系统拍摄的多个嘈杂观测来推断单个物体或场景的高度准确的 SDF,实现表面重建、点云去噪和上采样等任务,并在公开的基准测试中表现出比现有方法更优秀的性能。
Jun, 2023
通过使用基于边界采样的方法和基于熵的优化过程,我们提出一种从稀疏输入中学习占据场的方法,并展示了该方法在隐式形状推断方面相对于基线方法和现有技术的有效性。
Apr, 2024
使用图神经偏微分方程和热核签名的鲁棒点云配准方法,在三维计算机视觉中具有应用于图形、自动驾驶和机器人技术等领域的基础技术。实验结果表明,该方法不仅在点云配准方面取得了最先进的性能,而且对于加性噪声或三维形状扰动具有更好的鲁棒性。
Apr, 2024
本研究提出了一种从原始点云直接学习一致性感知无符号距离函数的新方法,以进行表面重建,同时引入了多边形化算法以直接从学习的 UDF 的梯度场中提取表面。实验结果表明,在合成和真实扫描数据的表面重建方面,该方法在广泛使用的基准测试中明显优于现有技术。
Oct, 2022
本文研究了使用神经代表距离函数(SDF)进行三维对象表示学习的泛化能力,提出了一个半监督元学习方法,可将形状先验从有标签的数据传输到无标签的数据中,用于重建未知的对象类别,并实现了 100 多个未见过的类别的强大的零 - shot 推理。
Jun, 2022
本研究采用神经场进行注册,通过优化两个具有不同缩放因子的任意神经场之间的相对 6 自由度变换,实现连续隐式表示的多个神经场的注册,同时讨论神经场在无约束环境中的应用挑战和未来研究方向。
Feb, 2024
提出了一种名为 UDPReg 的无监督深度概率点云配准框架,使用 GMM 的后验概率分布、Sinkhorn 算法和三种分布一致性损失函数来解决点云配准中的部分重叠和标记数据问题,并且在多项基准测试中实现了竞争性的性能表现。
Mar, 2023
本文提出了一种基于神经网络的方法,可以直接从单个稀疏点云中推断有符号距离函数(SDF),构建了表面参数化和 SDF 推断的端到端方法,通过利用参数化表面作为粗略表面采样器,以统计方式推断 SDF,并在合成数据集和真实扫描下的稀疏点云表面重构方面显著提高了我们对现有技术的优势。
Mar, 2023
我们提出了一个基于学习的非刚性形状配准框架,无需对应关系监督,通过学习深度功能图所产生的高维嵌入来指导源网格向目标点云进行形变,动态更新并过滤对应关系以提高稳健性,在未进行对齐的输入下,我们训练了一个基于方向回归器的模型以降低对外在对齐的要求,实证结果表明,我们的方法在多个非刚性点云匹配基准数据集上取得了最先进的结果,并能够在具有显著外在和内在形变的挑战性形状对之间提供高质量的对应关系。
Nov, 2023