Jun, 2023

无监督刚体分割与运动估计的多体 SE (3) 等变性

PDF
TL;DR该研究提出了一种使用 SE (3) 等变特征进行刚体分割和运动估计的无监督学习方法，大大提高了模型效率和性能，并在四个数据集上进行实验证明了其有效性。
rigid segmentationmotion estimationse(3) equivariant architectureunsupervised learningdynamic point clouds
发现论文，激发创造
  • 利用关节可见性进行神经人体拟合的通用性及对未见姿态的推广

    本文介绍了一种将参数化人体模型适应于点云数据的新方法 ——ArtEq。通过使用基于部分的 SE（3）- 等变神经结构来完成 SMPL 模型对点云的估计，并通过对等变姿态回归模块进行改进来实现对训练过程之外的姿态的泛化能力的提升。在实验中，ArtEq 方法的表现比同类方法提高了 74.5%，并且速度快了三个数量级。

    Apr, 2023

  • 利用 SE（3）等变性进行自监督分类目标位姿估计

    该研究提出了一个基于自监督学习框架和 SE (3) 等变点云网络的类别级别物体位姿估计方法，可在没有真值姿态注释、CAD 模型和多视图监督的情况下，从单独的 3D 点云中进行类别级别的六自由度物体位姿估计， 并在多个基准测试上验证了该方法的有效性。

    Oct, 2021

  • 用于三维点云分析的等变点网络

    本文提出了一个有效的 SE（3）网络，它是针对点云分析领域中 3D 形状对齐任务而设计的，可以利用等变特征来提高性能并解决相对较少探索的旋转等变特征对 3D 形状对齐任务的处理问题。我们采用一个新的框架 SE (3) 可分点卷积来降低计算成本，并在网络中引入一个注意力层来有效地利用等变特征的表达能力。通过广泛的研究和视觉解释，实证结果表明，我们提出的模型在各种基准测试中优于强基线。

    Mar, 2021

  • SE (3)-Transformers：三维旋转平移等变注意力网络

    本文介绍了 SE (3)-Transformer，一种用于 3D 点云和图形的自我注意模块，它在连续 3D 旋转变换下具有等变性。SE (3)-Transformer 利用自我注意的好处来处理点云和图形，同时保证了 SE (3)- 等变性，从而提高了模型的稳健性和预测性能。本文的模型在多个数据集上均取得了竞争性能，超过了一个强的非等变的基准模型和一个等变的模型没有注意力。

    Jun, 2020

  • 从两帧图像学习刚体运动分割

    提出了一种模块化网络，利用几何分析独立对象运动能从码流场中恢复，利用 3D 刚体转换对背景和多个刚体运动物体进行分割掩模并获得刚性运动分割的最佳性能，从而显着改善深度和场景流估计。

    Jan, 2021

  • 基于自监督的类别级联物体姿态估计与部件级 SE (3) 等变性

    这篇论文提出了一种基于自监督学习的方法，通过部分等变形状分析提取规范形状和物体姿态，再通过刚性变换描述部件从规范空间到相机空间的转换，实现未知关节感知物体的层次化姿态估计。

    Feb, 2023

  • 利用 SE（3）等变性学习 3D 几何形状装配

    我们提出利用 SE (3) 等变性对形状姿态进行解耦，并在多部分协作方面提供了改进，这大大提高了几何形状装配的性能。

    Sep, 2023

  • 等变描述符场：SE（3）等变能量模型用于端到端的视觉机器人操作学习

    本文利用李群的表示理论构建了新的 SE (3) - 等变能量模型，允许高样本的端到端学习。我们证明这些模型可以从头开始学习，但具有很高的样本效率，并且可以推广到具有不同要求的任务中。

    Jun, 2022

  • MultiBodySync: 通过 3D 扫描同步实现多体分割和运动估计

    提出了 MultiBodySync，一个新颖的、端到端可训练的多体运动分割和刚体配准框架，利用光谱同步和迭代深度声明网络解决多扫描多体情形下的运动分割和匹配问题，实现了在不同对象类别上的强泛化能力。

    Jan, 2021

  • 医学图像中 SE (3) 等变且噪声不变的 3D 运动追踪

    等轨迹（EquiTrack）是一种使用可转动的 SE (3) 等轨神经网络 (E-CNN) 进行运动跟踪的方法，通过与去噪器配对，从而在成人脑 MRI 和胎儿 MRI 时间序列中优于现有的学习和优化方法。

    Dec, 2023