本文介绍了一种新型灵活卷积方法,及其 GPU 实现,以适应不规则的 3D 点云数据,并在百万级数据集上获得了显著提升。该方法具有较小的参数和存储需求,是首个能同时处理 700 万个点的有效方法。
Mar, 2018
通过快速查询网格和使用树结构加速到表面的距离计算,我们提出了 GridPull 来从大规模点云中改善学习隐式表示的效率。
Aug, 2023
通过在正规网格特征和离散点特征之间引入高效的点 - 网格变换机制,以及采用边界优化策略,本文提出的方法有效地提升了三维表面重建的精度和准确性。
Jan, 2024
提出了一种使用点云数据结构将网格数据转换为更高维度表示的方法,其中每个平滑部分表示特定的像素位置,通过在具有更高细节的区域密集采样所构建的高曲面上获得密集的点云,该方法在公开的脑瘤数据集上实现了显着的改进,可从原始图像中提取错综复杂的细节,开辟了先进的图像分析和处理任务的新可能性。
May, 2023
本文提出了 Adaptive Graph Convolution (AdaptConv) 来生成自适应的核,以动态地学习点云的特征,从而以灵活、精确地捕捉不同语义部分点之间的多样关系的方式,改善了基于点云的卷积操作的适应能力,并且在几个基准数据集上表现优于当前最先进的点云分类和分割方法。
Aug, 2021
本研究提出一种新的架构设计,结合了旋转和拓扑不变的图扩散算子和 1x1 卷积的逐点特征学习,从而有效地在不规则图形上传播特征并提高 3D 点云的特征提取和语义分类精度。
Sep, 2018
提出了一种用于处理大规模 3D 数据的一般用途的全卷积网络,具有内部将无组织的点云转换为有序结构以通过 3D 卷积处理的能力,可用于许多 3D 任务的通用点云描述符。在语义体素分割,语义部分分割和 3D 场景字幕数据集上进行了评估。
Aug, 2018
本文提出了一种新的 Interpolated Convolution 操作,即 InterpConv,以解决点云特征学习和理解问题,进一步设计了基于 InterpConv 层的 Interpolated Convolutional Neural Networks(InterpCNNs)来处理点云识别任务,实验表明这种方法可以有效地捕捉细粒度的局部结构和全局形状的上下文信息,并在公共基准测试中取得了最先进的性能。
Aug, 2019
本文提出了名为 Grid-GCN 的方法,用于快速和可扩展的点云学习。Grid-GCN 使用一种新颖的数据结构策略,Coverage-Aware Grid Query(CAGQ),通过利用网格空间的效率,提高了空间覆盖范围,同时减少了理论时间复杂度,具有很高的速度和可扩展性。Grid-GCN 在各类点云分类和分割基准测试中都表现优异,并且比以前的研究运行速度更快。值得注意的是,在使用 81920 个点作为输入场景进行 ScanNet 推理时,Grid-GCN 实现了 50fps 的推理速度。
Dec, 2019
该论文提出了一种新的神经网络模块 EdgeConv,用于处理点云数据的图形分类和分割任务,它在每个层动态计算出图形,具有可堆叠和可微性等优点,并通过一些标准基准测试展示了优异性能。
Jan, 2018