本文提出了 PatchMixer 架构,通过处理局部补丁和使用 MLP 聚合补丁特征,将 MLP-Mixer 的思想扩展到 3D 点云中,以提高深度网络架构的泛化性能。
Jul, 2023
提出一种基于 3D Patch 的生成模型,用于生成高质量通用自然场景,解决了训练数据量小、场景特征变化等问题。
Apr, 2023
本文提出了一种新的 3D 生成建模框架,使用 2D 卷积运算从多个视角预测 3D 结构,并联合应用几何推理和 2D 投影优化来高效地生成以密集点云形式呈现的物体形状,并引入伪渲染器来合成优化的新深度图,在单张图像 3D 对象重建任务中表现了优越的形状相似性和预测密度。
Jun, 2017
本文提出了一种基于块的压缩算法,使用深度学习对点云的几何信息进行有损压缩,并取得了优于现有算法的压缩比。该算法在编解码时将点云划分为块进行压缩,使用局部重构误差作为优化标准,保证压缩后的点数与原始数据相等。同时,该算法的网络模型还可方便地应用于同类问题,例如点云上采样。
Oct, 2021
本文介绍了一种名为 SeedFormer 的新型 Point cloud completion 方法,使用 Patch Seeds 来提高细节保留和恢复能力,并通过 Upsample Transformer 将 transformer 结构扩展到基本操作中,以实现粗到细的点云补全。定性和定量评估表明,该方法优于几个基准数据集上的现有补全网络。
Jul, 2022
本文介绍了一个使用 3D 点云进行语义分割和对象识别的卷积神经网络,其中核心是点卷积,这是一种可以在点云的每个点上应用的新型卷积算子,并且网络设计简单且能在语义分割和对象识别任务中获得可比较的准确性。
Dec, 2017
本研究提出了 Points2Surf 算法,一种基于深度学习框架的局部深度信息和整体粗略信息相结合的面重建方法,显著提高了模型泛化能力和重建精度。实验证明,与其他方法相比较,Points2Surf 算法能够在新的形状上实现高质量的重建,并能使重建误差降低 30% 以上。
Jul, 2020
本论文提出了一种有效的点云生成方法,从潜在向量中生成相同形状的多分辨率点云;使用新颖的渐进去卷积网络和基于学习的双边插值,从低分辨率点云开始,通过级联的去卷积层逐渐输出高分辨率的局部和全局特征 maps,使用多层感知器作为生成网络生成多分辨率点云,并提出了形状保持对抗损失来训练点云去卷积生成网络,实验结果表明了方法的有效性。
这篇论文介绍了 OpenPatch 方法,它使用预训练模型从中间特征中提取一组描述每个已知类别的补丁表示,在新样本中评估其是否主要由单个已知类别的补丁构成或通过多个类别的贡献来组成,并通过广泛的实验评估展示了其在语义新颖性检测任务中的出色性能。
Oct, 2023
PPSurf 是一种结合了基于点卷积的全局先验和基于处理局部点云补丁的局部先验的方法,能够在恢复表面细节方面比当前最先进的方法更准确,同时对噪声具有鲁棒性。
Jan, 2024