自我注释的三维几何学习以去除模糊点
提出了一种用于高分辨率三维点云的无监督检测几何异常的新方法,该方法将学生 - 教师异常检测框架适应到三维领域,并利用一种自监督预训练策略构建具有表达能力的教师网络,实现局部几何描述符的提取,实验结果表明该方法在性能、运行时间和内存消耗等方面都具有较好的应用前景。
Feb, 2022
通过使用三维高斯图案生成器更新辐射场,本研究论文解决了对象去除的复杂挑战,主要挑战在于在高斯图案的离散性质中保持几何一致性和纹理协调性。通过优化高斯图案的定位以提高去除区域和可见区域的几何一致性,再结合跨注意力设计的新颖特征传递机制来增强纹理协调性,该创新方法在最终辐射场中显著提高了纹理协调性。广泛的实验证实了我们的方法不仅提升了对象去除场景的新视图合成质量,而且在训练和渲染速度上也具有显著的效率提升。
Apr, 2024
本文介绍一种基于深度学习的点云去噪方法,可以对噪声和离群点进行有效的处理,并且能应用于大规模点云数据的处理中,实验表明该方法可以有效提高 3D 重建的稳健性。
Jan, 2019
本研究钻研的半监督三维物体检测问题,在考虑到在杂乱的三维室内场景中进行标注所需要的成本极高的情况下,我们采用了自学习的强健和原则性框架,提供了第一种半监督三维检测算法,该算法单阶段运作并允许稠密的训练信号,解决了多阶段流水线以及离散化 quantization 误差等问题。
Apr, 2023
使用极其稀疏的标注数据,我们设计了一种自学习方法,其中迭代地进行训练和标注传播,利用了关系网络来生成类别原型并显式地建模了图形节点之间的相似性,通过大量的实验证明,我们的方法在点云语义分割任务中表现优于现有所有弱监督方法,并且结果也可以与完全监督的对比实验相媲美。
Apr, 2021
本文提出了一种通过将斑点模式投射到 CAD 模型上的方法实现对物体点云的物理真实综合,并采用一种新颖的几乎平衡的自我训练方法来更平衡地选择长尾类别的伪标签样本,实现了点云分类的无监督域自适应,在实验中达到了最先进的性能。
Mar, 2022
通过使用基于相机图像生成虚拟 LiDAR 点,并利用图像分割网络获得的语义标签增强这些虚拟点,以解决稀疏分布的、被遮挡或远离的对象检测问题,并通过生成专门的训练样本的距离感知数据增强技术,将这种方法无缝地整合到各种三维框架和二维语义分割方法中,从而显著提高整体检测准确性,并在 KITTI 和 nuScenes 数据集上的评估中展示了在三维和鸟瞰视角检测基准上的重大改进。
Dec, 2023
为了解决现有模型的可扩展性问题,本文提出了一种基于现有大规模 3D 模型的 3D 异常合成流程,以适应 3D 异常检测。同时,为了实现可扩展的 3D 异常定位表示学习,本文提出了一种自我监督方法 —— 迭代掩蔽重建网络(IMRNet),并在 Anomaly-ShapeNet 数据集和 Real3D-AD 数据集上取得了显著优于先前方法的成果。
Nov, 2023
使用稀疏标注框架和新方法 SS3D++,以较少的注释成本在 KITTI 和 Waymo 数据集上实现了与弱监督和完全监督方法相当甚至更好的三维物体检测性能。
Mar, 2024