Jun, 2023

DGC-GNN: 基于几何颜色图神经网络的无特征描述符 2D-3D 匹配

PDF
TL;DR本论文介绍了一种名为 DGC-GNN 的新算法，它采用全局到局部的图神经网络来逐步利用几何和颜色线索来表示关键点，从而提高匹配的鲁棒性。DGC-GNN 不仅使无描述符算法的精度翻倍，而且还显著缩小了基于描述符和无描述符方法之间的性能差距。
2d keypoints3d point cloudvisual descriptorsgraph neural networkmatching robustness
发现论文，激发创造
  • 3DMatch: 从 RGB-D 重建学习局部几何描述符

    本文提出了一种名为 3DMatch 的数据驱动模型，它可以学习用于建立局部 3D 数据对应关系的局部体积块描述符，且利用自我监督特征学习方法来汇集训练数据。实验证明，该描述符不仅可以用于重构新场景的局部几何形状的匹配，而且可以推广到不同的任务和空间尺度。

    Mar, 2016

  • GeoDesc: 融合几何约束学习局部描述符

    本文提出一种新颖的基于几何约束的局部描述符学习方法 ——GeoDesc，旨在改善学习局部描述符在图片三维重建中的泛化性能不足的问题。结果表明，GeoDesc 在各种大型基准测试中表现出优异的性能，并在具有挑战性的重建任务中显著成功。此外，本文提供了在 SfM 流水线中实际集成学习描述符的指南，展示了 GeoDesc 在精度和效率之间能够提供的良好平衡。

    Jul, 2018

  • 异质 2D 图像集联合深度多图匹配与三维几何学习

    提出了一种基于图神经网络的、可训练的框架，用于从不同的图像集合中学习可变形的三维几何模型，并在图形匹配中取得更好的性能。

    Mar, 2021

  • 图坐标与传统神经网络：图神经网络的替代方案

    提出了一种基于图拓扑的神经网络方法作为信息传递 GNN 的高效替代方法，实验结果表明该方法在准确性和 ROC-AUC 的相似水平下，相较于信息传递 GNN，需要较少的可训练参数，同时在 OGBN-Proteins 和 OGBN-Products 数据集上实现了更高的性能。

    Dec, 2023

  • Point-GCC：通过几何 - 颜色对比实现通用自监督 3D 场景预训练

    本论文提出了一种通过几何 - 颜色对比（Point-GCC）对点云进行 3D 场景预训练的通用框架，该框架在几何和颜色信息之间建立联系，并包括分层监督、新型深度聚类模块、体系结构不可知的后端等设计，实现了在各项数据集上的显著效果提升，包括 SUN RGB-D 和 S3DIS 之类的异常检测结果。

    May, 2023

  • GCNv2：实时 SLAM 的高效对应预测

    该论文提出了一种基于深度学习的网络 GCNv2，用于关键点和特征描述的生成，该网络相较于上一代的 GCN 具有更高的计算效率和可替换的 ORB 功能，实验结果表明 GCNv2 的精度和鲁棒性足以用于控制飞行无人机。

    Feb, 2019

  • D2S：相机重定位中的本地描述符和全局场景坐标表示

    本研究提出了一种基于学习的直接定位方法，使用简单的网络 D2S 来表示本地描述符和场景坐标，通过选择性关注鲁棒描述符并忽略云、树木和其他动态物体的方法，完成了稀疏描述符的二元 - 语义分类，在室内和室外环境中超越了现有的基于 CNN 的方法。

    Jul, 2023

  • 神经点基图形学

    本研究提出了一种基于点的方法，使用可学习的神经描述符来编码局部几何和外观信息，并学习深度渲染网络生成具有照片般逼真感觉的场景视图，同时避免显式表面估计和网格化，并适用于各种复杂场景，包括使用 RGB-D 传感器与标准 RGB 相机进行扫描的场景。

    Jun, 2019

  • 层次结构度量学习及其在二维和三维几何对应中的匹配

    该研究提出了使用深度学习的 CNN 网络以及不同层次的特征图来进行几何匹配的任务，并相较于先前的手动特征点描述方法，展示了更佳的匹配结果。

    Mar, 2018

  • 通过密集像素匹配进行几何图像对应验证

    本文针对在图像检索中几何对应验证，提出了以像素级密集配对检索数据库图像并以全局相似度度量和匹配像素计算的几何一致性度量为基础进行短序列重排的新模型，并通过实验证明了该模型具有竞争力。此外，将该方法应用于长期视觉本地化问题，并在跨数据集上进行了验证。

    Apr, 2019