预测不确定区域的形状补全
通过神经对象表示学习对象形状分布并将其映射到潜在空间,我们利用不确定性感知编码器直接从单个输入图像生成具有不确定性的潜在代码以模拟 3D 物体重建领域中的不确定性,并在贝叶斯框架下提出增量融合方法来融合多视角观测的潜在编码,从而提高 3D 对象重建的准确性。
Jun, 2023
通过使用 3D 卷积神经网络结构,本研究为机器人抓取规划提供形状补全,同时在实时运行时进行形状补全以规划和执行抓取动作。研究还探讨了形状补全的质量因素,如物体是否存在于训练数据中,使用几个物体模型用于训练网络,以及网络推广到新颖物体的能力等,同时对机器人抓取的效用和补全质量进行了实验验证。
Sep, 2016
该研究提出了一种面向大规模 3D 场景连续几何的概率形状完成方法,该方法利用生成细胞自动机学习多模态分布,通过稀疏体素嵌入渐进式生成连续形状,其训练目标最大化完整形状分布的变分下限,并通过实验证明了相比于确定性模型,该方法在几何完成方面的表现更佳。
Apr, 2022
提出一个基于学习生成模型和概率不确定性优化框架的方法,用于在没有对象 CAD 模型的情况下进行高质量的未知对象的三维重建和定位,并且通过引入形状和姿态的不确定性,得到了能够准确反映对象地图错误的姿态和形状不确定性。
Sep, 2023
通过构建先验库和分析输入和先验之间的相关性,本文提出了一种弱监督框架来从未见过的类别中重建完整的 3D 形状,并通过自监督形状细化模型进一步改进了粗糙形状,实验证明我们的方法明显优于现有方法。
Jan, 2024
这篇论文提出了一种用多模式条件生成模型进行多维形状补全的方法,能够消除单一输出方法存在的不确定性以获得更多的结果。通过多个数据集的实验,证明了该方法的多样性和质量。
Mar, 2020
利用有限或无先验知识的握取问题是辅助机器人领域的高度相关技能。我们提出了一个基于深度学习的新型、快速且高保真度的流程,其中包括一个基于单深度图像的形状补全模块,以及一个基于预测对象形状的握取预测器。该流程在物理机器人平台上成功地实现了对各种家庭物品的握取。
Oct, 2023
本研究利用弱监督的方法,通过多视角几何约束来同时估计 3D 的标准形状和 6 自由度姿态,解决了学习未对准和真实世界部分点云的情况下,利用大量数据进行 3D 形状补全的问题。实验证明,学习姿势估计可以促进部分点云的配准。
Aug, 2020
本文提出了一种弱监督学习的三维形状补全方法,旨在解决从稀疏噪声点云进行三维形状补全的问题。与现有的数据驱动方法和基于学习的方法相比,该方法既不需要昂贵的优化步骤,也不需要直接监督,通过使用深度神经网络来学习最大似然拟合,具有高效和准确的形状补全能力。在来自 ShapeNet、ModelNet、KITTI 和 Kinect 的综合基准测试中,该方法能够与最近的完全监督基线相竞争,并且优于数据驱动方法,同时需要更少的监督并具有显着的速度优势。
May, 2018
本文提出了一种通过 LiDAR 点云估算边界框标签不确定性的生成模型,并定义了一种新的概率边界框表示方法,进而提出了一种基于 Jaccard IoU 的新的评价指标,该模型在 KITTI 和 Waymo Open 数据集上被证明是优于传统 IoU 的评价指标, 对于概率目标检测器的评估具有高度准确性。
Mar, 2020