Jun, 2023

非定向点云分解的凹面诱导距离

PDF
TL;DR提出了凹凸感知距离（CID）作为一种度量无定向点云中一对点之间差异的新方法，CID 可用于点云分析、点云实例分割和分组，是一种在机器人应用中处理原始点云观测结果的有用工具.
concavity-induced distanceunoriented point cloudpoint cloud analysisrobotics applicationslabel propagation
发现论文，激发创造
  • 使用校准的局部几何驱动距离度量，释放 3D 点云建模的潜力

    提出了一种称为 CLGD 的新型距离度量，它通过计算一组参考点诱导的基础 3D 表面之间的差异来量化两个非结构化 3D 点云之间的不相似度，并证明其在各种优化和无监督学习任务，包括形状重建、刚体配准、场景流估计和特征表示方面的高准确性。

    Jun, 2023

  • 密度感知 Chamfer 距离作为点云补全的全面指标

    提出一种新的点云相似度评价方法 ——Density-aware Chamfer Distance (DCD)，结合 point cloud completion 任务和 point discriminator 模块的实验结果表明，DCD 关注整体结构和局部几何细节并提供更可靠的评价。

    Nov, 2021

  • 远距离点云配准的密度不变特征

    通过群组对比学习方案，提出了一种提取密度不变几何特征的方法，用于远距离室外 LiDAR 点云的注册，实验证明此特征提取器相比现有方法更强大且密度不变，使得远距离场景的注册召回率分别提高了 40.9% 和 26.9%。

    Jul, 2023

  • 通过跨模态蒸馏和超体素聚类进行三维点云的无监督语义分割

    本文提出了一个名为 PointDC 的新型分割框架，通过两个阶段的处理（CMD 和 SVC），实现在不使用任何形式的注释的情况下的点云全自动无监督语义分割。该框架在 ScanNet-v2 和 S3DIS 两种数据集上均优于以往的无监督学习方法，分割性能显著提高。

    Apr, 2023

  • 学习 3D 点云表示的点集距离

    本文针对 3D 点云，研究了不同距离度量方法的效果，提出使用切片 Wasserstein 距离和其变体来学习 3D 点云的特征表示，并介绍了一种估算切片 Wasserstein 距离的新算法，实验证明该方法能提高神经网络的学习效率，并在 3D 计算机视觉中展示了其在多个任务中的有效性。

    Feb, 2021

  • 可学习的点云重建之零件度量距离

    通过动态地关注具有一组可学习网络控制的不同权重分布的匹配距离，我们提出了一种简单但有效的重构损失，即可学习的 Chamfer 距离（LCD）。通过训练对抗策略，LCD 学习搜索重构结果中的缺陷，并克服了静态匹配规则的缺点，同时还可以保证低迭代次数时的性能，并且具有更快的收敛速度和可比较的训练效率。

    Dec, 2023

  • 使用本地距离指示器学习任意尺度点云上采样的连续隐式场

    提出了一种学习局部先验引导的无符号距离场的点云上采样方法，稀疏点云通过局部一致性表示，通过在学习的隐式场的零级集上生成稠密点云，实验结果在综合数据和真实扫描中显示出最先进的效果。

    Dec, 2023

  • 使用近似凸分解在点云上进行标签有效学习

    本文研究了在 3D 点云中使用 Approximate Convex Decompositions（ACD）进行自我监督训练的方法，以实现标签高效的学习点云表示。结果表明，ACD 提供了一种极佳的自我监督信号，可以有效地学习 3D 点云表示，并在下游任务中获得卓越的性能，例如 ModelNet40 形状分类数据集的无监督表示学习，并在 ShapeNetPart 数据集上获得显著的少样本部件分割增益。

    Mar, 2020

  • 从原始点云逐步学习具有一致性感知的无符号距离函数

    本研究提出了一种从原始点云直接学习一致性感知无符号距离函数的新方法，以进行表面重建，同时引入了多边形化算法以直接从学习的 UDF 的梯度场中提取表面。实验结果表明，在合成和真实扫描数据的表面重建方面，该方法在广泛使用的基准测试中明显优于现有技术。

    Oct, 2022

  • SSDBCODI：集成异常检测的半监督基于密度聚类

    提出了 SSDBCODI 算法，结合密度聚类和半监督元素，合并异常值检测组件，基于三个分数检测潜在异常值，并生成每个数据实例的实例权重，进一步用于聚类和异常值检测，实验结果表明该算法可以在少量标签的情况下取得优越结果。

    Aug, 2022