利用元学习进行点云上采样的测试时间调整
我们提出了一种新颖的测试时间自适应框架 (Point-TTA) 用于点云配准 (PCR),它提高了配准模型的泛化性和性能。我们的模型可以在测试时间适应未知分布,不需要对测试数据有任何先验知识,通过优化主要的 PCR 任务和三个自监督辅助任务来训练模型,实验证明了我们的方法在提高点云配准的泛化性上的有效性并且胜过其他最先进的方法。
Aug, 2023
本研究提出了一种名为 Meta-PU 的新方法,通过一个模型支持任意比例的点云上采样,并且通过在 Meta-PU 方法中动态调整 RGC 块的权重和采用 farthest sampling 块对不同数量的点进行采样,可实现连续上采样。
Feb, 2021
本文提出了一种基于学习的框架,通过自适应地分析输入点云的局部几何结构,设计出轻量级神经网络来统一、排序插值权重以及高阶细化,从而生成具有密集点云的物体 / 场景,并处理非均匀分布和噪声数据,该方法于现实世界中的各种上采样因子都可运作,并在合成和实际数据上均获得了优于现有方法的表现。
Nov, 2020
本文提出了一种数据驱动的三维点云上采样技术,通过在特征空间中隐式地学习多层次特征并扩展点集,进而构建高密度点集,并在表面均匀分布的基础上实现采样点的重构,实验结果表明该方法的优越性。
Jan, 2018
本文提出了一种基于深度神经网络的数据驱动算法,使用 Chamfer 距离作为损失函数对 3D 散点云进行上采样,该算法不需要硬编码规则,并能够学习属于不同对象类别的点云的潜在特征,实验结果表明,相比基于优化的上采样方法,该算法能够生成更加均匀和精确的上采样结果。
Jul, 2018
利用 Meta Test-Time Training 的方式结合 Meta-learning 和 Self-supervised Learning,来使深度神经网络在测试时能够应对域漂移的问题,从而提高其在 CIFAR-10-Corrupted 图像分类基准测试中的表现。
Mar, 2021
本研究探讨了 3D 点云的测试时间数据增强方法,并使用隐式表示和点云上采样技术作为系统化方法,通过从重构结果中采样点并将其用作测试时间增强数据来改进准确性。此方法对于稀疏点云的目标分类和分割等下游任务在 ModelNet40、ShapeNet、ScanObjectNN 和 SemanticKITTI 数据集上表现出更为显著的性能提升。
Nov, 2023
本文提出了一种简单的方法,在没有模型训练过程的任何假设的情况下,通过在测试数据点上执行不同的数据增强并通过最小化平均输出分布的熵来适应模型参数,从而提高模型的鲁棒性。该方法在多个基准测试中都表现出色,并在 ImageNet-C、ImageNet-R 和 ImageNet-A 分布偏移基准测试中实现了最先进的结果。
Oct, 2021
本论文介绍了一种基于 transformer 模型的多头自注意力结构和位置融合块的点云上采样方法,并通过定量和定性的对比实验证明了其优越性能。
Nov, 2021
该研究针对 3D 扫描时获得的稀疏、非均匀和嘈杂点云,提出了一种基于多目标的两级级联网络,包括稠密生成器和空间细化器,能够生成密集的均匀点集,同时修补小洞并调整每个点的位置,结果表明该方法优于现有技术。
Jun, 2021