Nov, 2023

GRJointNET：3D 不完整点云的协同完成和部分分割

PDF
TL;DRGRJointNet 是一个能够在不完整的 3D 点云上实现点云补全和分割的深度学习框架，能够显著提高自主系统中点云的实用性和效能。
segmentation3d point cloudsgrnetgrjointnetautonomous systems
发现论文，激发创造
  • GRNet：用于密集点云补全的格网残差网络

    本研究提出了一种名为 GRNet 的新方法，以 3D 网格为中间表示形式，通过保留结构和上下文信息来完善不完整的 3D 点云，并采用新的梯度损失函数来计算预测和真实点云之间的 L1 距离，实验结果表明这种方法在多个基准测试中表现优秀。

    Jun, 2020

  • PC-RGNN: 三维物体检测的点云补全与图形神经网络

    本研究提出一种新的两阶段方法，其中包括点云完成模块以恢复高质量的点密集提案和整个视图，同时设计了图神经网络模块，实现了全局本地关联机制和多尺度图形的上下文聚合，显著强化编码特征，实验表明，所提出的方法在 KITTI 基准测试中优于之前的基线算法，突出了其有效性。

    Dec, 2020

  • SEGCloud：3D 点云的语义分割

    本研究介绍了 SEGCloud，一种利用三线性插值和完全连接条件随机场等方式得到端到端三维点级分割的框架，可实现对室内和室外三维数据集进行准确的场景标注。

    Oct, 2017

  • JSNet: 3D 点云的联合实例和语义分割

    提出了一种新的联合实例和语义分割方法，称为 JSNet，以同时处理 3D 点云的实例和语义分割。该方法包括构建一个有效的主干网络，通过点云特征融合模块融合主干网络的不同层特征以及开发联合实例语义分割模块，把语义特征转换成实例嵌入空间并将其与实例特征相结合以促进实例分割，并将实例特征聚合到语义特征空间以促进语义分割，最后采用简单的均值漂移聚类生成实例预测。实验结果表明，提出的 JSNet 在 3D 实例分割方面比现有方法表现更好，在 3D 语义预测方面也有显著改善，并且还有益于部分分割。

    Dec, 2019

  • JSENet: 用于 3D 点云的联合语义分割和边缘检测网络

    本研究通过设计一个新的两流全卷积网络，提出了一个联合学习方法来同时处理 3D 语义分割和 3D 语义边缘检测问题，特别是设计了一个联合调优模块来明确地连接区域信息和边缘信息，通过提出的新型损失函数，实现了更好的语义分割结果的同时改善边缘信息，结果显示该方法在 S3DIS 和 ScanNet 数据集上获得了与最先进方法相当或更好的性能，优于语义边缘检测的基准方法。

    Jul, 2020

  • JSIS3D：基于多任务点网络和多值条件随机场的三维点云联合语义实例分割

    本文提出了一种用于 3D 点云的多任务点位网络，实现了语义和实例分割，并比较了不同数据集上的表现。与单一组件相比，我们的方法表现出了更好的鲁棒性和语义分割性能，使用了多值条件随机场进行语义与实例标签联合优化。

    Apr, 2019

  • 变分关系点补全网络用于稳定的 3D 分类

    本文提出了一种基于变分关系点补全网络（VRCNet）的框架，采用概率建模和关系增强技术，实现对不完整点云进行准确重建，并达到对部分点云进行 3D 分类和模型识别的目的。

    Apr, 2023

  • 一个统一的基于点的 3D 分割框架

    针对 3D 点云的分割问题，我们提出了一种新的点云分割框架，该框架能有效地优化整个场景的像素级特征，几何结构和全局上下文先验。实验结果表明，该方法优于现有的一些最先进的方法，并探讨了在三维重建场景中合成相机姿态以获得更高的性能。

    Aug, 2019

  • 3DSGrasp：适用于机器人抓取的三维形状完成

    本文提出了一种名为 3DSGrasp 的新型抓取策略和一种基于 Transformer 编码器 - 解码器网络和 Offset-Attention 层的 PCD 补全网络，该网络不受对象姿态和点置换的影响，可在部分 PCD 的情况下实现可靠的抓取姿势。实验表明，在 PCD 补全任务中，3DSGrasp 的性能优于最先进的方法，并且在实际场景中大大提高了抓取成功率。

    Jan, 2023

  • 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