May, 2023

PU-EdgeFormer: 点云稠密预测的边缘 Transformer 上采样

PDF
TL;DR本研究提出了一种基于图卷积和变压器结合的点云上采样方法 PU-EdgeFormer，能够同时学习点云的局部和全局结构，通过实验证明在客观和主观方面都优于现有的最先进方法。
deep learningpoint cloud upsamplinggraph convolutiontransformeredgeformer
发现论文，激发创造
  • PU-Transformer: 点云上采样变形器

    本论文介绍了一种基于 transformer 模型的多头自注意力结构和位置融合块的点云上采样方法，并通过定量和定性的对比实验证明了其优越性能。

    Nov, 2021

  • PU-Net: 点云上采样网络

    本文提出了一种数据驱动的三维点云上采样技术，通过在特征空间中隐式地学习多层次特征并扩展点集，进而构建高密度点集，并在表面均匀分布的基础上实现采样点的重构，实验结果表明该方法的优越性。

    Jan, 2018

  • 使用图卷积网络进行点云上采样的 PU-GCN

    本研究提出了一种基于学习的点云上采样管道，其中使用 NodeShuffle 作为点上采样模型，并提出了一个新的多尺度点特征提取器，称为 Inception DenseGCN，将其与 NodeShuffle 结合成一种新的点上采样管道 PU-GCN，这种方法能够显著地提高上采样点云处理的效果。

    Nov, 2019

  • Meta-PU：点云任意比例上采样网络

    本研究提出了一种名为 Meta-PU 的新方法，通过一个模型支持任意比例的点云上采样，并且通过在 Meta-PU 方法中动态调整 RGC 块的权重和采用 farthest sampling 块对不同数量的点进行采样，可实现连续上采样。

    Feb, 2021

  • 3D 点云深度可变放大可扩展上采样

    本文提出了一种基于学习的框架，通过自适应地分析输入点云的局部几何结构，设计出轻量级神经网络来统一、排序插值权重以及高阶细化，从而生成具有密集点云的物体 / 场景，并处理非均匀分布和噪声数据，该方法于现实世界中的各种上采样因子都可运作，并在合成和实际数据上均获得了优于现有方法的表现。

    Nov, 2020

  • FlatFormer: 压缩窗口注意力的高效点云 Transformer

    FlatFormer 是一种 3D 点云变压器网络，通过交换计算负荷和提取局部特征以实现节省计算时间的效果，在边缘 GPU 上实现了实时性能，并在大规模基准测试上达到与或甚至更好的准确性。

    Jan, 2023

  • 基于点云学习的动态图卷积神经网络

    该论文提出了一种新的神经网络模块 EdgeConv，用于处理点云数据的图形分类和分割任务，它在每个层动态计算出图形，具有可堆叠和可微性等优点，并通过一些标准基准测试展示了优异性能。

    Jan, 2018

  • SPU-Net: 自投影优化的自监督点云粗到精重构上采样

    提出了一种自监督的点云上采样方法 SPU-Net，该方法利用深度学习模型和 GCN 捕获点云上采样的内在模式，具有解决真实数据稀疏问题的能力。实验表明，该方法与现有的监督方法相比具有可比性能。

    Dec, 2020

  • SeedFormer: 基于补丁种子的点云完整性修复与上采样变换器

    本文介绍了一种名为 SeedFormer 的新型 Point cloud completion 方法，使用 Patch Seeds 来提高细节保留和恢复能力，并通过 Upsample Transformer 将 transformer 结构扩展到基本操作中，以实现粗到细的点云补全。定性和定量评估表明，该方法优于几个基准数据集上的现有补全网络。

    Jul, 2022

  • 用于 3D 点云分析的收集和分配变换器

    本研究提出了 CDFormer，一种新的利用收集和分布机制的 Transformer 架构，可对点云的局部和全局结构进行有效学习，并在四个流行的点云数据集上取得了新的最佳分类和分割结果。

    Jun, 2023