旋转不变补全网络
本文提出了一种基于变分关系点补全网络(VRCNet)的框架,采用概率建模和关系增强技术,实现对不完整点云进行准确重建,并达到对部分点云进行 3D 分类和模型识别的目的。
Apr, 2023
本文提出了一种基于变分框架的点云重建方法 (Variational Relational point Completion network - VRCNet),该方法采用了概率建模和关系增强技术实现点云的精细局部重建,同时给出了一个包含 10 万多个高质量扫描的多视角局部点云数据集 (MVP 数据集),实验证明 VRCNet 在标准点云重建基准上的性能优于目前的最先进方法,并且在真实世界点云扫描中表现出了很好的泛化性和鲁棒性。
Apr, 2021
本文提出了一种新的基于学习的方法 ——Point Completion Network(PCN),该方法直接在原始点云上操作而不需要任何结构假设或注释,并且其解码器设计可以在保持参数数量较小的同时生成精细的完整点云。实验结果表明,PCN 在处理各种不完整和噪声的输入时可以产生密集、完整、具有现实结构的点云。
Aug, 2018
本文介绍了一种新的方法来实现点云数据的旋转不变性,使用局部几何特征和全局拓扑特征相结合的局部 - 全局表示网络。该网络使用多层感知器做注意力机制来融合两种旋转不变性特征,并在模型识别任务上取得了最先进的效果。
Nov, 2019
该论文提出了一种基于点云的旋转感知大规模场景识别网络 (RPR-Net),通过三种新的旋转不变特征(RIFs)设计一个注意模块来学习旋转不变核,并将其应用于之前的点云特征中生成新的特征,从而可以学习到高级的场景特定的旋转不变特征,实验结果表明,该方法在解决旋转问题时要明显优于其他旋转不变基线模型。
Aug, 2021
本研究提出了一种基于深度学习的方法 ——RPM-Net,该方法相较于现有的非深度学习及近期的深度学习方法,在点云刚体配准领域取得了最先进的性能表现。
Mar, 2020
该研究提出了一个神经网络模型,命名为 VPC-Net,用于从移动激光扫描系统获取的点云数据中合成完整、密集、统一的车辆点云数据,以用于 3D 车辆监测任务,具有良好的性能表现与结果。
Aug, 2020
本文提出了一种点云学习框架 PRIN,其中通过密度感知自适应采样构造球形信号来处理球形空间中的扭曲点分布并利用球形体素卷积和点重新采样来提取每个点的旋转不变特征。该框架在物体分类、部分分割和 3D 特征匹配方面具有可应用性,并且在没有任何数据增强的情况下,在随机旋转的点云数据集上展现出比现有方法更好的性能。同时,本文提供了对通过该方法实现的旋转不变性的理论分析。
Nov, 2018
本研究提出一种新的两阶段方法,其中包括点云完成模块以恢复高质量的点密集提案和整个视图,同时设计了图神经网络模块,实现了全局本地关联机制和多尺度图形的上下文聚合,显著强化编码特征,实验表明,所提出的方法在 KITTI 基准测试中优于之前的基线算法,突出了其有效性。
Dec, 2020