Apr, 2023

SCoDA：面向真实扫描的域自适应形状完成

PDF
TL;DR该研究提出了一种新的任务 SCoDA，通过从合成数据到真实数据的领域自适应解决真实扫描形状完整性的问题，并使用一个新的数据集 ScanSalon 进行评估，提出了跨域特征融合方法和自我训练框架。实验证明改进了 6％至 7％的 mIoU。
3d shape completionpoint cloudsdomain adaptationsynthetic datascansalon
发现论文，激发创造
  • 基于数据的 Sim-to-Real 领域自适应方法，用于 3D 语义分割

    本文提出了一种 Data-Oriented Domain Adaptation (DODA) 框架，通过虚拟扫描模拟和基于长方体的混合来减轻不同领域之间的模式和上下文差异，在 3D 室内语义分割中的结果优于其他 7 种 UDA 方法。

    Apr, 2022

  • 领域自适应的单视角三维重建

    本文提出了一种基于对抗训练的框架来解决单视角 3D 形状重建中存在的挑战，该框架通过降低自然和合成图像之间的差异、迫使重建在逼真的物体形状流形上以及实施其他约束来改进性能。实验结果表明，该方法优于基线模型，且采用简化模型即可达到与最先进方法相当的结果。

    Dec, 2018

  • 使用对抗训练在真实扫描上完成未配对点云

    本研究提出了一种无需配对训练数据的方法，可以直接应用于真实扫描的点云数据中，可在不同程度的数据不完整情况下完成相对真实的扫描。

    Mar, 2019

  • LASA：基于大规模对齐形态注解数据集的真实扫描实例重建

    从 3D 场景中实例形状重建涉及恢复语义实例级别的多个对象的完整几何形状。我们介绍了一个大规模对齐形状注释数据集 LASA，其中包括对齐 920 个现实场景扫描的 10,412 个高质量 CAD 注释。我们提出了一种新的基于扩散的跨模态形状重建方法（DisCo），它通过混合特征聚合设计来融合多模态输入并恢复高保真度的对象几何形状。此外，我们还提出了一种基于占据的 3D 对象检测方法（OccGOD），并展示了我们的形状注释提供的场景占据线索可以进一步提高 3D 对象检测。通过 LASA 的支持，大量实验证明我们的方法在实例级别场景重建和 3D 对象检测任务中实现了最先进的性能。

    Dec, 2023

  • SSDA3D: 3D 点云物体检测的半监督领域适应

    提出了一种半监督领域自适应方法，名为 “SSDA3D”，包括两个阶段的 Point-CutMix 模块和 Intra-domain Generalization，很好地解决了不同 LiDAR 配置、城市和天气等领域间偏移问题，不依赖于大量标注数据，在只有 10％目标数据标注的情况下，可以超过 100％目标标签的完全监督模型。

    Dec, 2022

  • 野外场景弱监督 3D 形状补全

    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

  • 3D 物体检测的领域泛化：密度重采样

    我们提出了一种单域泛化多任务学习方法，通过引入新颖的数据增强方法和多任务学习策略，改进了 3D 物体检测的泛化性能，并提出了首个用于 3D 物体检测领域泛化的测试时适应方法。

    Nov, 2023

  • 室内 3D 物体检测的 Syn-to-Real 无监督领域自适应

    本文提出了一种新颖的面向室内三维物体检测的对象层次域对齐（OHDA）框架，其中包括一种面向对象的数据增强策略以有效地使源域数据多样化，并引入了一个由对抗训练分支和伪标记分支组成的两分支自适应框架，以同时达到整体级和类别级的域对齐，通过适应结果的改进在 Synthetic 数据集 3D-FRONT 到真实数据集 ScanNetV2 和 SUN RGB-D 上分别取得了分别为 9.7％和 9.1％的 mAP25 改进。

    Jun, 2024

  • 联合监督与自监督学习 3D 现实世界挑战

    本文介绍了基于自监督式多任务模型的方法，用于解决数据稀缺性和跨域数据集问题，提高 3D 形状分类与部分分割的效果。

    Apr, 2020

  • 具有质量感知形状补全的鲁棒三维跟踪

    通过形状补全方法构建稠密而完整的点云目标表示，从而实现鲁棒的三维跟踪，并借助体素化的关系建模模块和框精炼模块提高跟踪性能。

    Dec, 2023