Aug, 2023

基于球坐标的学习式点云压缩

PDF
TL;DR近年来，学习的点云压缩任务得到了广泛关注。本文介绍了一种基于球坐标系的学习式点云压缩（SCP）的模型无关方法，以充分利用点云中的圆形和方位角不变性特征，并提出了用于 SCP 的多级八叉树，以减小球坐标系八叉树中远距离区域的重建误差。实验结果表明，SCP 在点对点 PSNR BD-Rate 方面超过了先前的最先进方法，提高了 29.14%。
发现论文，激发创造
  • SCP：场景补全预训练用于 3D 物体检测

    通过场景补全预训练（SCP）方法来增强 3D 物体检测器的性能，SCP 具有改进点云模型初始化、消除对额外数据集的需求、减少标注数据量的三个关键优势，并能够使现有的 3D 检测器仅依赖 20% 标注数据即可实现相当性能。

    Sep, 2023

  • 多尺度点云几何压缩

    本文提出了一种基于多尺度自动编码器的点云压缩方法，利用稀疏性质进行分层重建，通过无损压缩几何空间和有损压缩特征属性，实现了比现有方法更高效的压缩率和编码速度。

    Nov, 2020

  • 基于稀疏张量的点云几何多尺度表示压缩

    本研究提出了一种基于多尺度稀疏张量的点云几何压缩方法，称为 SparsePCGC，使用 Sparse Convolution-based Neural Network 和 Occupancy Probability Approximation 模型计算不同尺度的空间相关性来提高估计空间占用概率的准确性和压缩效率。在各种数据集中，该方法在无损和有损压缩模式下均表现出与标准化的 MPEG G-PCC 以及流行的基于学习的方案相比的最先进性能，同时具有低复杂度的优势。

    Nov, 2021

  • PointSSC：基于协作车辆 - 基础设施点云的语义场景完善基准评测

    实现语义场景补全 (SSC) 的 PointSSC 是首个针对语义场景补全的车辆基础设施合作点云基准，其利用点云作为轻量级替代方案，旨在提供语义标签的室外点云场景基准测试，准确度量验证真实导航中语义点云补全的进展。

    Sep, 2023

  • 球面截锥稀疏卷积网络用于 LiDAR 点云语义分割

    通过引入球体金字塔结构和基于哈希的表示，本文提出了一种新颖的 Spherical Frustum sparse Convolution Network (SFCNet) 方法，实现了 LiDAR 点云的语义分割，避免了量化信息损失。

    Nov, 2023

  • 学习型点云几何压缩

    本文提出了一种基于神经网络的自动编码器和 3D 卷积的点云几何压缩方法，相对于 MPEG 标准压缩算法，可以获得至少 60% BD-Rate 增益，并在视觉效果上表现优越。

    Sep, 2019

  • 3D 点云球形卷积神经网络

    提出了一种利用球面卷积核和八叉树空间分割的神经网络用于 3D 点云处理，该球面度量型卷积核系统地量化点周围的局部几何结构，同时具有平移不变性和不对称性。

    May, 2018

  • SPEAL：基于骨骼先验的注意力学习的跨源点云配准

    本文介绍了一种利用骨架表征进行点云配准的新方法 SPEAL，通过提取点云的骨架特征和拓扑结构，获得点云的几何复杂性，进而提高点云配准的性能。作者还构建了一个名为 KITTI CrossSource 的大规模跨源点云数据集，用于评估该方法在跨源和同源数据集上的优越性和鲁棒性。据我们所知，这是第一个利用骨架几何先验进行点云配准的方法。

    Dec, 2023

  • 使用深度空间一致性的鲁棒点云配准

    本研究提出 PointDSC，一个基于深度学习的神经网络，在点云配准中明确地引入空间一致性，通过非局部特征聚合模块和可微分谱匹配模块进行同型剪枝，实现对离群点对应关系的修剪，结果表明 PointDSC 在多个实际数据集上比基于手工和基于深度学习的离群点拒绝方法都有更好的表现，并通过与不同的 3D 局部描述符进行组合来展示其广泛的适用性。

    Mar, 2021

  • 通过从场景完成中学习上下文形状先验进行稀疏单遍 LiDAR 点云分割

    本文提出了一种基于学习的语义分割框架，其利用上下文形状先验知识，在 LiDAR 点云序列的帮助下将单个点云序列完成从稀疏的单扫描点云到密集的点云的语义分割任务，并在 SemanticKITTI 和 SemanticPOSS 数据集上取得了显著的性能提升。

    Dec, 2020