ICCVJul, 2023

远距离点云配准的密度不变特征

PDF
TL;DR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%。
registrationlidarpoint cloudscontrastive learningdensity-invariant features
发现论文，激发创造
  • InvariantOODG: 学习点云的不变特征以实现超出分布的泛化

    通过使用两个分支网络从原始和增强的点云中提取局部到全局特征，在点云的不同分布之间学习不变性，提高点云的局部特征学习并在 3D 领域泛化基准测试中展示了该模型的有效性。

    Jan, 2024

  • 具有上下文编码的密度感知卷积网络用于航空 LiDAR 点云分类

    本文提出了一种基于密度感知卷积和上下文编码的多尺度全卷积神经网络方法，用于 3D 点云分类，同时在 ISPRS 3D 标注基准上实现了新的最优性能。

    Oct, 2019

  • D3Feat：3D 局部特征的密集检测与描述的联合学习

    本文提出了一种新型实用的学习机制，利用三维全卷积网络，旨在稠密地预测每个三维点的检测分数和描述特征，并通过自监督的检测器损失，在训练过程中指导即兴的特征匹配结果。最后，我们的方法在 3DMatch 和 KITTI 数据集的室内和室外场景中，均取得了最先进的结果，并在 ETH 数据集上展现了其强大的概括能力，为实现准确快速的点云对其，提出了一种可靠的特征检测器。

    Mar, 2020

  • 通过基于距离的点云密度优化提升 LiDAR 三维物体检测

    本文通过数据角度分析了现有的 LiDAR 3D 目标检测算法尤其是对于离传感器较远区域性能欠佳的问题，发现检测模型中存在对密集物体的学习偏差，提出了一种基于模型无关的点云密度调整预处理机制，使用迭代 MCMC 优化估计不同距离范围内点密度的最优参数，实验证明这种技术可以提高现有检测器的性能。

    Jun, 2023

  • 密度自适应点集配准

    本研究利用基于期望最大化的框架最小化 KL 距离，构建点云场景的潜在概率分布模型，使其能够适应密度变化，并成功在多种真实世界的激光雷达数据集上超越现有的多视角概率方法，而无需重新采样。

    Apr, 2018

  • 激光雷达语义分割中利用密度判别特征嵌入的领域泛化

    通过引入一种新的方法，即密度识别特征嵌入（DDFE）模块，以及一种简单而有效的密度增强技术，本研究解决了激光雷达感知中的领域泛化问题，并在各种三维主干网络中持续优于现有的领域泛化方法。

    Dec, 2023

  • 学习紧凑的几何特征

    通过优化映射高维直方图到低维欧氏空间的深度网络，学习代表无序点云中点周围局部几何的特征，其表现出比现有局部特征更高的精度、紧凑性和鲁棒性，可在机器人和三维视觉的不同应用中进行几何配准。

    Sep, 2017

  • 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

  • DELFlow：大规模点云场景流量的稠密高效学习

    通过将三维坐标储存在二维网格中，以稠密格式规范点云数据并提供有效的特征融合，从而在场景流估计问题上提供更高效和有效的方法。

    Aug, 2023

  • 无监督点云配准的可靠内点评估

    该论文提出了一种基于邻域一致性的可靠内点评估方法，以提高无监督点云配准的精度，并利用匹配映射细化模块和内点评估模块配合实现精确配准，最终使用加权 SVD 算法进行转换估计。

    Feb, 2022