Jul, 2023

PolyGNN: 三维建筑点云重建的基于多面体的图神经网络

PDF
TL;DR采用基于多面体的图神经网络模型 PolyGNN 对点云进行 3D 建筑重建，通过多面体分解网络学习组合原语，通过图节点分类实现紧密、紧凑和弱语义重构。
polygnngraph neural network3d building reconstructionpolyhedral decompositionoccupancy inference
发现论文，激发创造
  • 多面体表面：基于多面体表面的自监督点云重建

    使用法线构建多面体表面，用于解决原始点云到点云的重建问题，并且在三个常用数据集上取得了最先进的结果。

    Oct, 2023

  • 基于图卷积神经网络的三维点云分类

    本文介绍了使用 Graph-CNNs 和 PointGCN 对 3D 点云数据进行分类的方法，通过局部图卷积和两种图降采样操作实现了对点云局部结构的有效探索，与竞争方案相比，该架构具有更稳定的性能。

    Nov, 2018

  • PolygonGNN：多边形几何的异构可视图表示学习

    通过引入一个综合框架，该研究主要关注多边形几何图形的学习表示，特别是多重多边形，并采用异构可见性图来捕捉内部和多个多边形之间的关系，同时提出了一个旋转 - 平移不变的几何表示方式，并设计了适用于多重多边形的新型模型 Multipolygon-GNN。实验证明该模型能够获取多边形几何图形的相关表示。

    Jun, 2024

  • BuildingNet: 学习标记 3D 建筑物

    BuildingNet 是一个包含多个建筑类别的大规模 3D 建模数据集，使用图神经网络对建筑模型进行网格标注，并展示了图神经网络在 3D 网格标注方面的显著性能优势。

    Oct, 2021

  • 利用图神经网络学习地理嵌入

    我们提出了 GeGnn，一种基于学习的方法，用于计算离散多面体表面上任意两点之间的近似测地距离，具有快速预计算后恒定的时间复杂度。

    Sep, 2023

  • 通过结构简化实现高效的点云图神经网络

    本文提出了使用轻量级的特征提取层来提高图神经网络模型的效率，从而能够在移动设备上高效地运行，同时实现了一定的性能提升和资源消耗降低。

    Aug, 2021

  • 三维分子图形的几何完整感知机网络

    介绍了一种新的 GCPNet 图神经网络，其具有 SE (3) 置换对称性，用于 3D 分子图形表示学习，在蛋白质 - 配体结合亲和力预测，蛋白质结构排序和牛顿多体系统建模任务中均取得了最先进的效果。

    Nov, 2022

  • 基于树结构图卷积的 3D 点云生成对抗网络

    本文提出了一种名为 tree-GAN 的新型生成对抗网络用于 3D 点云生成，并引入树形图卷积网络 (TreeGCN) 作为 tree-GAN 的生成器以提高特征的表示能力，通过引入评估指标 FPD 来准确评估 3D 点云 GAN，实验结果表明了 tree-GAN 在传统度量和 FPD 方面都优于现有的 GAN，并且可以生成不同语义部分的点云。

    May, 2019

  • 使用深度隐式场从点云中重建紧凑建筑模型

    本文提出了一种通过自适应空间划分生成细胞复合体、利用深度神经网络了解区域内占用情况、通过组合优化提取建筑物外表面的新型框架来从点云中重建紧凑、完全、多边形建筑模型的方法，并通过实验表明该方法具有较高的保真度、紧凑性和计算效率。

    Dec, 2021

  • PolyGen: 一个三维网格的自回归生成模型

    该研究论文介绍了一种基于 Transformer 的方法来直接建模多边形网格，并通过输入不同的对象类别、体素和图像等信息，生成可用的高质量网格，同时在表面重建指标上表现出很好的性能。

    Feb, 2020