Oct, 2023

PointHR: 探索高分辨率三维点云分割架构

PDF
TL;DR我们在这篇论文中探讨了高分辨率架构用于三维点云分割，提出了一种名为 PointHR 的统一流水线模型，并通过在 S3DIS 和 ScanNetV2 数据集上的实验证明其优越性。
point cloud segmentationhigh-resolution architecturesencoder-decoder framework3d dense point cloud analysiss3dis and scannetv2 datasets
发现论文，激发创造
  • 高密度变化的 3D 点云语义分割

    本文提出了一种名为 HDVNet 的新型架构，针对测量应用程序中的点云具有的大局部密度变化提出解决方案，通过一个嵌套的编码器 - 解码器通路集合来处理特定的点密度范围，有效地处理了输入密度变化，提高了分割精度。

    Jul, 2023

  • 利用深度金字塔网络进行密集三维点云重建

    本文设计了一个基于深度金字塔网络的点云重建方法 DensePCR，通过逐层生成低分辨率到高分辨率的点云来生成准确、均匀且密集的高分辨率 3D 模型。在合成和真实数据集上的评估表明，DensePCR 优于现有的点云重建方法，并提供了一种轻量级和可扩展的高分辨率输出预测体系结构。

    Jan, 2019

  • 稠密分辨率点云分类和分割网络

    本文介绍了一种名为 DRNet 的基于不同分辨率学习点云本地特征的网络，并提出了一种局部邻域搜索的新型分组方法和用于捕获局部特征的误差最小化模块，该网络在 ModelNet40，ShapeNet 合成和 ScanObjectNN 真实点云数据集上显示出优越性能。

    May, 2020

  • 多分辨率树网络用于 3D 点云处理

    使用多分辨率树形网络来处理点云实现三维形状的理解和生成，可用于分类形状和学习点云形状的无监督生成，表现优于现有基于点的架构。

    Jul, 2018

  • Pointfilter: 基于编码器 - 解码器建模的点云过滤

    本文提出了一种新的深度学习方法，通过去除噪声并保持尖锐特征，自动而又稳健地过滤点云，其点对点的学习架构由编码器和解码器组成，并在视觉质量和数量误差指标方面均优于现有深度学习技术。

    Feb, 2020

  • 基于点边交互网络的点云语义分割

    本文介绍了一种利用边缘分支和层次化图框架实现点和其语境邻居之间的语义关系来实现 3D 语义场景标注的方法，并证明其有效性。

    Sep, 2019

  • 深度点云重建

    该研究提出了一种基于深度学习的点云重建网络，采用两个阶段进行密集化、去噪和点云完整性重建，其中使用了变换器进行离散体素向 3D 点的转换，同时提出了放大位置编码模块以优化变换器，实现在 3D 扫描建模领域的最新水平。

    Nov, 2021

  • HRHD-HK：高层和高密度城市场景的基准数据集，用于摄影测量点云的 3D 语义分割

    本文提出一种高层、高密度城市点云基准数据集 (HRHD-HK)，同时对现有的 8 种语义分割算法在此数据集上进行了全面评估，实验结果表明目前的点云 3D 语义分割仍有很大提升空间，特别是对于小体积的城市对象来说。

    Jul, 2023

  • 使用递归集编码进行点云处理

    本文提出了一种新的置换不变网络用于 3D 点云处理，该网络由循环集编码器和卷积特征聚合器组成，对于无序点集，使用循环神经网络（RNN）对其进行编码并将功能集成到 2D 卷积神经网络（CNN）中，用于层次化特征聚合，该网络在空间特征学习方面表现出色，在多个基准测试中表现优异， 与最新技术水平相比也更加高效。

    Nov, 2019

  • 探索点云三维语义分割的空间上下文

    本文探讨了如何扩展 PointNet 架构以涵盖较大尺度的三维空间语义分割。通过两种扩展策略，该方法在室内和室外数据集上均取得了较好的结果。

    Feb, 2018