Jul, 2023

高维细胞数据的流艺术家

PDF
TL;DR在这篇研究中，我们介绍了一种名为 FlowArtist 的神经网络，它能够同时学习点云数据的嵌入和点周围的速度场，从而更好地分离和可视化速度相关的结构。通过在嵌入过程中利用坐标和速度信息，FlowArtist 能够有效地嵌入和展示高维度的数据。
embeddingpoint cloud datavelocityflowartisthigh-dimensional data
发现论文，激发创造
  • 离散点流网络用于高效点云生成

    该研究论文探讨生成模型在三维点云形状建模方面的应用，提出一种基于归一化流和仿射耦合层的潜在变量模型，用于生成、自编码和单视角形状重构任务，相较最近的基于 GAN 和基于连续流的模型，该模型在训练和推理速度上有明显提升，并在特定指标上实现了优于其他模型的表现，包括单视角形状重构等。

    Jul, 2020

  • 基于点云的深度学习框架在不规则几何形态流动场预测中的应用

    本文提出了一种新颖的基于 PointNet 架构的深度学习框架，用于在几何形状无规则的区域中进行流场预测，该方法实现了在边界平滑性和小尺度几何变化检测方面的优化，并且能够比传统 CFD 解算器快数百倍且保持较高的准确度。

    Oct, 2020

  • 学习 3D 点云中的场景流

    本研究提出了一种新颖的神经网络模型 FlowNet3D，该模型旨在从点云数据中学习场景流，该模型可以通过扫描定位和运动分割等多种应用，对 Lidar 扫描等多种实际场景进行高效准确的场景流处理。

    Jun, 2018

  • 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

  • 从视频中推断混合神经流体场

    我们提出了混合神经流体场（HyFluid）的神经方法，用于联合推断流体密度和速度场，以解决流体速度的视觉模糊性和湍流性所带来的挑战，并展示了该方法在恢复涡旋流细节方面的成功，为涉及三维不可压缩流体的各种学习和重建应用打开了可能性。

    Dec, 2023

  • 3D 场景流网络的关键要素

    作者提出了一种新的全对全 (SOTA) 流嵌入层，具有向后可靠性验证并解决了同时考虑局部和全局与前后方向点云的三维场景流估计问题，在 FlyingThings3D 和 KITTI 场景流数据集上表现出至少 38.2％和 24.7％的 SOTA 性能。

    Jul, 2022

  • AdvectiveNet: 一种欧拉 - 拉格朗日流体储集器用于点云处理

    本文介绍了一种基于物理学的深度学习方法，用于处理点云数据，通过介绍欧拉 - 拉格朗日表示法，能够自然地演化和累积粒子功能，实现各种点云分类和分割问题的高效解决，所以本文将几何机器学习和物理模拟结合起来。

    Feb, 2020

  • 维度通用的正则化流

    本研究介绍了一种名为 NIF 的流行有噪声映射模型，可以通过注入变换学习数据流形的降维表示，有效提高了样品质量和数据嵌入的可分性。

    Jun, 2020

  • 一种新颖的深度神经网络在自动驾驶车辆轨迹预测中的应用：基于速度向量场

    综合数据驱动的学习法和从流体流动动力学概念中生成的速度矢量场，本文提出了一种新的轨迹预测技术，将矢量场作为卷积 - 递归深度神经网络的附加输入，帮助预测基于俯视图场景的未来轨迹。该方法在 HighD 数据集上与最先进的方法进行了比较，展示了在短期和长期（5 秒）时间范围内，速度矢量场的引入提高了预测准确性，并且准确性随着观测窗口的减小而保持一致，缓解了对准确轨迹预测所需的过去观测历史的要求。

    Sep, 2023

  • Bi-PointFlowNet: 基于点云双向学习的场景流估计

    本文提出了使用双向流嵌入层的新型场景流估计体系结构，它学习了前向和后向方向的特征，增强了估算性能。实验结果表明，在 FlyingThings3D 和 KITTI 基准测试中，该体系结构表现非常优异，与其他方法相比具有明显的优势，并且通过代码已经得到验证。

    Jul, 2022