ICCVJul, 2023

SVDFormer: 自视角增强和自结构双生成器补充点云

PDF
TL;DR本文介绍 SVDFormer，一种创新的网络用于解决点云完成中的两个具体挑战：从不完全的点云中理解忠实的整体形状和生成高精度的局部结构。
point cloud completionsvdformerself-view fusion networkself-structure dual-generatormulti-view depth image
发现论文，激发创造
  • 自我监督的点云补全级联优化网络

    提出了一种基于两个分支的神经网络，用于点云的完形填充，其中第一个分支是连锁的对象完形子网络，第二个分支是一个自编码器，共同利用局部输入和粗糙输出来保留对象细节，并使用相同的特征提取器学习形状完形的全局特征，实验结果表明，该方法在点云完形填充任务上的效果超越了现有技术的方法。

    Oct, 2020

  • DualGenerator: 基于信息交互的生成网络用于点云补全

    本研究提出了一种基于信息交互的生成式网络，用于点云的完整性补全，并引入了本地细化模块和 DGStyleGAN，以捕捉局部结构和提高网络的鲁棒性和生成质量。经定量和定性测试，证明了该方法在 MVP 和 Completion3D 数据集方面的表现优异，并且在加入噪声干扰或稀疏抽样后，性能不会显著降低。

    May, 2023

  • 使用深度神经网络进行高分辨率形状补全，进行全局结构和局部几何推断

    本文提出一种基于深度学习架构的数据驱动方法来恢复三维形状的缺失部分，该方法包含全局结构推断网络和局部几何细化网络，并在六个实体类别上进行了定性和定量评估，表明优于现有的形状完成工作。

    Sep, 2017

  • 基于体素的网络，通过利用边缘生成进行形状补全

    本文介绍了使用基于体素的网络和边缘生成（VE-PCN）来实现点云补全的方法，该方法采用多尺度网格特征学习来生成更真实的表面细节，并在公开数据集上进行了评估，表现优于现有的最先进方法。

    Aug, 2021

  • 视角引导下的点云补全

    本文提出了一种基于视角引导的点云补全解决方案，通过从额外单视图图像中获取缺失的关键全局结构信息，利用依次执行有效跨模态和跨层次融合的框架，相比于现有解决方案在视角引导点云完形填空任务上取得了显著优越的结果。

    Apr, 2021

  • DMF-Net：基于双通道模态融合和形状感知上采样变换的图像导向点云补全

    我们提出了一种新颖的双通道模态融合网络（DMF-Net），用于图像引导的点云完成任务，在粗到精的方式下，通过将图像和部分点云一起输入网络进行模态融合，从而实现点云的恢复和补全，实验结果表明 DMF-Net 在 ShapeNet-ViPC 数据集上的性能优于现有的单模态和多模态点云完成方法。

    Jun, 2024

  • 变分关系点补齐网络

    本文提出了一种基于变分框架的点云重建方法 (Variational Relational point Completion network - VRCNet)，该方法采用了概率建模和关系增强技术实现点云的精细局部重建，同时给出了一个包含 10 万多个高质量扫描的多视角局部点云数据集 (MVP 数据集)，实验证明 VRCNet 在标准点云重建基准上的性能优于目前的最先进方法，并且在真实世界点云扫描中表现出了很好的泛化性和鲁棒性。

    Apr, 2021

  • 学习形状先验用于单视图 3D 补全和重建

    本文提出 ShapeHD，将深度生成模型与马赛克技术相结合，解决了单视角 3D 形状补全和重建的两个层面的问题，并在多个真实数据集上取得了比现有技术领先很多的表现。

    Sep, 2018

  • 变分关系点补全网络用于稳定的 3D 分类

    本文提出了一种基于变分关系点补全网络（VRCNet）的框架，采用概率建模和关系增强技术，实现对不完整点云进行准确重建，并达到对部分点云进行 3D 分类和模型识别的目的。

    Apr, 2023

  • 上下文与几何感知的体素变换器用于语义场景补全

    本文介绍了一种基于视觉的语义场景补全方法，通过稀疏到稠密的转换和上下文与几何感知，使用 CGFormer 神经网络结构在不同尺度上提高了语义和几何表示能力，取得了在两个基准数据集上的最优性能。

    May, 2024