MMAug, 2023

MSECNet：基于多尺度边缘条件的精确和鲁棒的三维点云法向估计

PDF
TL;DRMSECNet 是一种改进正常变化区域估计的方法，通过将正常变化建模视为边缘检测问题，采用多尺度特征融合和自适应边缘检测实现强大的边缘检测，将检测到的边缘与主干网络的输出结合，以产生边缘感知表示。在合成和现实世界数据集上，MSECNet 在性能上优于现有方法，且运行速度显著更快，表明该方法在表面重建中的有效性。
发现论文，激发创造
  • Nesti-Net: 使用卷积神经网络进行非结构化三维点云的法向估计

    本文提出了基于多尺度点统计（MuPS）的局部高斯网格表示的法向估计方法 Nesti-Net，使用混合专家（MoE）结构来优化每个点周围的最佳比例，从而显著提高模型的鲁棒性和精度。实验结果表明，该方法在合成数据集上达到了最先进水平，并在实际扫描场景上展现了良好的表现。

    Dec, 2018

  • E$^3$-Net：高效的 E (3)- 等变法向量估计网络

    通过提出 E3-Net，引入一种高效的随机框架方法、高斯加权损失函数和感知层感知推理策略来实现点云法线估计的等变性，从而显著提高了模型的准确性。与当前最先进的技术相比，我们在两个合成数据集和一个真实世界数据集上的结果都更优秀，RMSE 分别提高了 4%、2.67% 和 2.44%。

    Jun, 2024

  • PCEDNet：一种用于快速交互式边缘检测的轻量级三维点云神经网络

    本文提出了一种新的参数化方法，使用 Scale-Space 矩阵存储每个点周围不同尺度的重建形状的微分信息，从而提供了足够的信息，使得一个充分的神经网络能够学习边缘，并在获取的点云中高效地检测它们。之后，我们提出了一种新的轻量级神经网络结构，其在学习时间、处理时间和分类能力方面均优于 CNN，具有紧凑结构、需要较少的学习集、训练速度非常快且可以在几秒钟内对数百万个点进行分类。

    Nov, 2020

  • 3D 点云的多样本共识驱动无监督法向量估计

    提出了多样本一致性范式的无监督法线估计方法，其中包括多候选样本抽取，候选样本拒绝和模式确定。该方法在真实数据集上显著优于一些监督深度法线估计器，并在 NYUV2，KITTI 和 PCV 数据集上显示出更好的泛化能力和优越的性能。

    Apr, 2023

  • 通过样本选择优化 3D 点云法线估计

    通过引入全局信息和各种约束机制，我们设计了一个基础框架来增强现有模型，同时采用基于置信度的策略选择合理样本进行公平且鲁棒的网络训练，并利用现有的定向方法纠正估计的非定向法线，在定向和非定向任务中实现了最先进的性能。广泛的实验结果证明了我们的方法对广泛使用的基准测试数据集表现良好。

    May, 2024

  • CMG-Net: 基于 Chamfer 法线距离和多尺度几何学的点云鲁棒法线估计

    该论文提出了一种准确且强大的方法来从点云中估计法线。通过提出 Chamfer 法线距离这一新的度量标准，我们解决了之前直接最小化注释和预测法线之间偏差所导致的方向不一致问题，并提高了网络训练和鲁棒性。此外，我们设计了一种创新的架构，包括多尺度局部特征聚合和分级几何信息融合。这种设计使网络能够更有效地捕捉复杂的几何细节，并减轻尺度选择中的歧义。广泛的实验证明，我们的方法在合成和真实数据集上均取得了最先进的性能，尤其是在受噪声污染的场景中。我们的实现可在此 https URL 上获得。

    Dec, 2023

  • 基于 Transformer 的表面法向量估计

    使用 Transformer 从带有噪声和密度变化的点云中准确预测法线，在合成形状数据集 PCPNet 和真实世界室内场景数据集 SceneNN 上实现了最先进的性能，表现出更强的抗噪性和显著更快的推理速度，同时证明了现有工作中的复杂手工设计模块在表面法线估计任务中并非必需。

    Jan, 2024

  • 点云法线估计的非对称孪生网络

    通过应用合理的约束条件，我们在干净点云和有噪点云上学习得到的内在特征的一致性，提出了一种改进正常估计质量的方法，并引入一个包含不同噪声级别的多视角正常估计数据集，通过评估现有方法在该数据集上的表现发现其过拟合问题，持久实验证明了我们的特征约束机制能够有效改进现有方法并降低当前架构中的过拟合现象。

    Jun, 2024

  • EC-Net：一种边缘感知的点集融合网络

    介绍了第一种基于深度学习的边缘感知技术，用于辅助点云的合并。通过处理本地 patches 中的点并训练其以学习和有针对性地巩固点，并且通过回归组件来恢复 3D 点坐标和点到边缘距离，并采用边缘感知的联合损失函数直接最小化输出点到 3D 网格和边缘之间的距离。

    Jul, 2018

  • 点云法向量估计网络

    我们介绍了一种基于自我注意力机制的新型网络，可以软性聚焦于相关点，并通过学习温度参数来调整软性，使其能够在较大的近邻范围内自然而有效地工作。结果，我们的模型比所有现有的正常估计算法表现更好，精度达到 94.1%，比以前的 91.2% 的最高水平快 25 倍小，推理时间快 12 倍。我们还使用点对平面迭代最近点（ICP）作为应用案例，以展示我们的正常估计比其他方法的正常估计更快地收敛，而无需手动微调近邻参数范围。

    Aug, 2020