Jun, 2023

从点云数据中鲁棒估计曲面曲率信息

PDF
TL;DR本文调查和评估了一些流行的算法曲率和法向量估计方法，并提出了一种新的鲁棒性曲率估计方法，并将其与现有方法进行评估，从而证明了其对于在数据噪声较大的情况下优于现有方法。
curvature estimationweingarten maplow dimensional computationgraph structurepoint cloud data
发现论文，激发创造
  • 加权点云法向估计

    本研究提出了一种加权法线估算方法，包括一种新型加权法线回归技术和一项对比度学习预处理过程，在保持特征的同时实现了鲁棒性，处理了噪声和复杂的点云，获得了合成和真实数据集上的最先进性能。

    May, 2023

  • 通过样本选择优化 3D 点云法线估计

    通过引入全局信息和各种约束机制，我们设计了一个基础框架来增强现有模型，同时采用基于置信度的策略选择合理样本进行公平且鲁棒的网络训练，并利用现有的定向方法纠正估计的非定向法线，在定向和非定向任务中实现了最先进的性能。广泛的实验结果证明了我们的方法对广泛使用的基准测试数据集表现良好。

    May, 2024

  • 从点云中提取多样性信息

    提出一种基于核的方法，用于构建定义函数，它可以应用于从完全维数的流形到点云的任意有界光滑流形的内插和分析，通过线性组合平移核函数得到签名函数，可用于估计维数、法向量和曲率，方法以全局性、不依赖于数据集中其他结构的特点，通过一种变分形式进行正则化，克服了噪音和误差的问题。

    Mar, 2024

  • 深度迭代表面法线估计

    该研究提出了一种基于图神经网络和自适应各向异性核的表面法线估计算法，不需要任何手动特征或预处理，优于现有深度学习方法，在保留尖锐特征和空间等变性的同时，速度和参数效率均为同类算法的两个数量级。

    Apr, 2019

  • 基于图论的 LiDAR 数据 3D 法向量提取算法

    该研究利用图形化方法来对 LiDAR 点云进行法向量估计和平面提取，建立了一个非线性的约束凸优化问题，并提供不同权重的解决方案进行优化，最终以大规模的综合平面提取数据集的比较验证了该方法

    May, 2022

  • 利用三角形法线变化估算离散总曲率

    介绍了一种通过高斯映射的迪利克雷能量来测量离散曲面三角形的总曲率的新方法，可用于特征感知网格化简和点云曲率估计，并表现出比现有库更好的性能。

    May, 2023

  • 重新思考点云法线估计三维曲面拟合中的逼近误差

    本文提出使用深度神经网络（DNNs）进行具有较低近似误差的点云法向量估计，其中采用了 Z 方向变换和误差建模作为基本设计原则，并将其与现有最先进的法向量估计方法集成。

    Mar, 2023

  • CA-PCA：适用于曲率的流形维度估计

    本研究提出了基于二次嵌入的局部 PCA（主成分分析）方法 CA-PCA，以校准底层流形的曲率，从而改进算法在高维数据分析中的估计效果。

    Sep, 2023

  • CMG-Net: 基于 Chamfer 法线距离和多尺度几何学的点云鲁棒法线估计

    该论文提出了一种准确且强大的方法来从点云中估计法线。通过提出 Chamfer 法线距离这一新的度量标准，我们解决了之前直接最小化注释和预测法线之间偏差所导致的方向不一致问题，并提高了网络训练和鲁棒性。此外，我们设计了一种创新的架构，包括多尺度局部特征聚合和分级几何信息融合。这种设计使网络能够更有效地捕捉复杂的几何细节，并减轻尺度选择中的歧义。广泛的实验证明，我们的方法在合成和真实数据集上均取得了最先进的性能，尤其是在受噪声污染的场景中。我们的实现可在此 https URL 上获得。

    Dec, 2023

  • 深度几何先验用于表面重建

    使用深度神经网络作为几何先验来实现基于点云的离散曲面重建，无需训练数据或显式正则化，实验表明该几何先验可用于处理包含尖锐特征和平滑有机物体的三维数据。

    Nov, 2018