QuadricsNet: 学习点云中几何基元的简洁表示

Sep, 2023

QuadricsNet: 学习点云中几何基元的简洁表示

QuadricsNet: Learning Concise Representation for Geometric Primitives in Point Clouds

Ji Wu, Huai Yu, Wen Yang, Gui-Song Xia

TL;DR该论文提出了一种新颖的框架，用于学习 3D 点云的简洁几何基元表示。与分别表示每种基元不同，我们关注如何稳健地实现简洁且统一的表示问题。我们使用二次曲面来表示包含仅有 10 个参数的多种基元，并提出了首个端到端学习的框架 QuadricsNet 来解析点云中的二次曲面。二次曲面的数学表达与几何属性（包括类型、尺度和姿态）之间的关系被巧妙地集成，以对 QuaidricsNet 进行有效监督。此外，还收集了一个新颖的模式综合的数据集，其中包含二次曲面的分段和对象，用于训练和评估。实验证明了我们简洁表示的有效性和 QuadricsNet 的鲁棒性。我们的代码可在 https://github.com/MichaelWu99-lab/QuadricsNet 获得。

Abstract

This paper presents a novel framework to learn a concise geometric primitive representation for 3d point clouds. Different from representing each type of primitive individually, we focus on the challenging problem of how to achieve a concise and uniform representation robustly. We empl

geometric primitive representation 3d point clouds quadrics end-to-end learning-based framework robustness

发现论文，激发创造

一种极简主义的适用于任何类型检测点云中的二次曲线的方法

本研究提出一种无分割、自动、高效的检测点云中通用几何二次曲面形式的程序，并使用闭合的三维二次形式适配和本地空间投票策略来降低计算复杂度，在合成和实际数据集上证实了方法的有效性。

Mar, 2018

使用新型极简二次曲线拟合在点云中进行通用基元检测

我们提出了一种新颖有效的方法来检测杂乱无序的点云中的 3D 原始体，无需辅助分割或类型说明，并考虑到了用于封装环境基本构建块 - 平面、球体、椭球体、圆锥或圆柱体的二次曲面的统一方式。本文的方法具有较高的准确性，并且是一种能够在困难场景下进行通用交叉类型多对象原始体检测的方法。

Jan, 2019

超椭球形体再探：学习超立方体外的三维形状解析

本文提出了一种基于学习的解决方案，将超椭球作为原子元素来代替传统的 3D 长方体表示方法，从而在不需要监督的情况下将三维对象分解成一致的超椭球表示，并能够更易于学习地表达更多细节和复杂姿态。

Apr, 2019

利用二次曲面表示法进行 LiDar 里程计、地图绘制和定位

该文提出了一种使用二次曲面描述三维场景的方法，以提高 LiDAR 测距、定位和映射的空间和时间效率。通过分解成稀疏的二次曲面贴片来代替原始点云数据，该方法避免了点对点的最近邻搜索过程，具有更高的存储效率和准确性，适用于 KITTI 和 UrbanLoco 数据集中大容量点云的实验。

Apr, 2023

使用隐式神经表示的点云压缩：一个统一框架

本论文介绍了一个能够处理几何和属性组件的点云压缩框架，利用两个基于坐标的神经网络来隐式表示体素化的点云，通过将空间划分为小的立方体并专注于非空立方体内的体素来重建原始点云的几何和属性组件。实验结果表明，与最新的 G-PCC 标准中采用的八叉树方法相比，我们提出的方法具有更优越的性能，并且与现有的基于学习的技术相比具有高度的普适性。

May, 2024

GPr-Net：几何原型网络用于点云少样本学习

提出了一种轻量级的计算几何原型网络 GPr-Net，结合基于向量的手工内在几何量子化器和拉普拉斯向量等相关方法，旨在解决点云匮乏和无序性等问题，并使用超几何空间来处理分布漂移问题，结果表明在计算机效率和精确度上优于所有已有的点云小样本学习方法。

Apr, 2023

BPNet：三维点云的贝塞尔基元分割

本论文提出了 BPNet，一种新颖的端到端深度学习框架，用于学习在 3D 点云上的 Bézier 基元分割。通过将 Bézier 分解应用于点云分割，我们能够实现有限形状类别的广义基元分割。我们提出了一个联合优化框架，在级联架构上同时学习 Bézier 基元分割和几何拟合。通过引入软投票正则化器和自动权重嵌入模块，我们使网络更具鲁棒性和通用性。我们还引入了一个重构模块，通过该模块可以同时处理具有不同基元的多个 CAD 模型。我们在合成的 ABC 数据集和实际扫描数据集上进行了大量实验证实并与不同的基准方法进行了比较。实验证明，我们的方法在分割方面具有卓越的性能，并且推理速度显著得更快。

Jul, 2023

GeoAuxNet：面向多传感器点云的通用三维表示学习

使用几何 - 体素辅助学习的方法，通过提供对多传感器点云的附加解释，使得体素表示可以获取点级几何信息，并支持体素骨干在多传感器点云上更好的泛化能力。我们的方法在联合多传感器数据集上表现出色，超越了其他模型，并在每个单一数据集上与现有的专家方法取得了竞争性结果。

Mar, 2024

学习紧凑的几何特征

通过优化映射高维直方图到低维欧氏空间的深度网络，学习代表无序点云中点周围局部几何的特征，其表现出比现有局部特征更高的精度、紧凑性和鲁棒性，可在机器人和三维视觉的不同应用中进行几何配准。

Sep, 2017

PointNet：基于点集的深度学习用于三维分类和分割

本文提出 PointNet 网络，通过直接消耗点云数据并尊重其排列不变性，实现了一个统一的架构，可用于物体分类、局部分割和场景语义解析等多种应用，并在理论和实验方面都有较好表现。

Dec, 2016