May, 2023

超越网格：点云和表面表示推动神经处理

PDF
TL;DR提出了一种使用点云数据结构将网格数据转换为更高维度表示的方法，其中每个平滑部分表示特定的像素位置，通过在具有更高细节的区域密集采样所构建的高曲面上获得密集的点云，该方法在公开的脑瘤数据集上实现了显着的改进，可从原始图像中提取错综复杂的细节，开辟了先进的图像分析和处理任务的新可能性。
medical image classificationhigher dimensional representationpoint cloudbrain tumor datasetimage analysis
发现论文，激发创造
  • 基于深度学习的三维点云分类：系统调查与展望

    该论文介绍了点云的获取、特点和挑战，回顾了点云分类的 3D 数据表示、存储格式和常用数据集，总结了基于深度学习的点云分类方法，并对最新研究进展进行了补充，对主要方法的性能进行了比较和分析，并讨论了点云分类面临的一些挑战和未来方向。

    Nov, 2023

  • PointNet：基于点集的深度学习用于三维分类和分割

    本文提出 PointNet 网络，通过直接消耗点云数据并尊重其排列不变性，实现了一个统一的架构，可用于物体分类、局部分割和场景语义解析等多种应用，并在理论和实验方面都有较好表现。

    Dec, 2016

  • GridPull：针对从 3D 点云中学习隐式表示的可扩展性

    通过快速查询网格和使用树结构加速到表面的距离计算，我们提出了 GridPull 来从大规模点云中改善学习隐式表示的效率。

    Aug, 2023

  • 深度学习技术在三维点云分类和语义分割中的综述

    本研究综述了深度学习在点云处理中的最新进展、挑战和潜在研究方向，重点关注点云分析中的 3D 形状分类和语义分割两个主要任务。

    May, 2024

  • 神经点：带有神经场的点云表示法，用于任意上采样

    本文提出了一种新的点云表示 Neural Points，并将其应用于任意分解上采样任务中。相较于传统的点云表示，每个点在 Neural Points 中通过神经场表示局部连续几何形状，因此 Neural Points 包含更多的形状信息并具有更强的表征能力。实验证明，Neural Points 在任意分辨率上对点云进行重新采样的表现优于最先进的点云上采样方法。

    Dec, 2021

  • 探索点云三维语义分割的空间上下文

    本文探讨了如何扩展 PointNet 架构以涵盖较大尺度的三维空间语义分割。通过两种扩展策略，该方法在室内和室外数据集上均取得了较好的结果。

    Feb, 2018

  • 使用隐式神经表示的点云压缩：一个统一框架

    本论文介绍了一个能够处理几何和属性组件的点云压缩框架，利用两个基于坐标的神经网络来隐式表示体素化的点云，通过将空间划分为小的立方体并专注于非空立方体内的体素来重建原始点云的几何和属性组件。实验结果表明，与最新的 G-PCC 标准中采用的八叉树方法相比，我们提出的方法具有更优越的性能，并且与现有的基于学习的技术相比具有高度的普适性。

    May, 2024

  • 高效点云处理的学习网格化

    通过可学习的网格化处理将点云数据转化为紧凑、规则的网格，解决了点云方法在规模可扩展性上的问题，使得后续层能够使用更好扩展的操作，在时间和内存消耗上表现更佳且能获得有竞争力的结果。

    Jul, 2023

  • 云变压器：点云处理任务的通用方法

    我们提出了一种新的深度点云处理架构的多功能建筑块，该建筑块将空间转换器和多视图卷积网络的思想与二维和三维密集网格中标准卷积层的效率相结合，实现信息的多个并行头的协同作业，以更新点特征，取得了点云处理方面生成和判别任务的最新成果。

    Jul, 2020

  • GridFormer：点网格变换器用于表面重建

    通过在正规网格特征和离散点特征之间引入高效的点 - 网格变换机制，以及采用边界优化策略，本文提出的方法有效地提升了三维表面重建的精度和准确性。

    Jan, 2024