PCRDiffusion:基于扩散的点云配准概率模型
我们提出了一种基于扩散密集噪声去除的概率模型来解决点云配准问题,通过将离线模型的预测结果映射到真实结果来训练模型,并且通过旋转矩阵的变换和刚体变换的辅助信息逐步提高配准的准确性。在 3DMatch 和 3DLoMatch 上的实验证明了我们的 DiffusionPCR 在注册率方面具有世界领先水平 (95.3%/81.6%)。
Dec, 2023
本文提出了一个概率模型,将点云看作是处于非平衡热力学系统内的粒子,并通过扩散过程学习将噪声分布转换为所需形状分布的逆扩散过程,即点云生成过程。具体地,将点云的逆扩散过程建模为一个以某个形状因子为条件的马尔科夫链,并提供了闭合形式的变分下界以进行训练。实验结果显示,该模型在点云生成和自编码方面具有竞争性能。
Mar, 2021
本研究介绍了一种基于 SE (3) 扩散模型的点云注册框架,用于实现现实场景下的 6D 物体姿态估计。我们的方法将 3D 注册任务作为一种去噪扩散过程,逐步改进源点云的姿态,以与模型点云精准对齐。通过 SE (3) 扩散过程和 SE (3) 反向过程对我们的框架进行训练。
Oct, 2023
使用图神经偏微分方程和热核签名的鲁棒点云配准方法,在三维计算机视觉中具有应用于图形、自动驾驶和机器人技术等领域的基础技术。实验结果表明,该方法不仅在点云配准方面取得了最先进的性能,而且对于加性噪声或三维形状扰动具有更好的鲁棒性。
Apr, 2024
本文提出了一种基于点扩散和精化的点云补全范式,其中条件生成网络使用去噪扩散概率模型生成粗糙补全, 精修网络进一步改进完成后的点云的质量,并开发了一个新的双向路径架构。 这种架构既能从部分观察到的点云中有效地提取多级特征以指导补全,也能准确地操纵三维点的空间位置以获得光滑的表面和清晰的细节。通过广泛的实验,证明了本文提出的方法在点云完成方面优于以往的最先进方法。值得注意的是,在精细网络的帮助下,我们可以将 DDPM 的迭代生成过程加速 50 倍,而不会影响其性能。
Dec, 2021
建立可靠的对应关系对于 3D 和 2D3D 对准等任务至关重要。为了解决大变形、尺度不一致和模糊匹配问题所带来的挑战,本文引入了一种用于建立鲁棒对应关系的扩散匹配模型,在双随机矩阵空间内将对应估计视为去噪扩散过程,逐步去噪(细化)双随机匹配矩阵至准确的匹配矩阵,以进行高质量的对应估计。该方法在 3D 和 2D3D 对准任务上的评估验证了其有效性。
Mar, 2024
通过提出一种新的预训练方法 PointDif,本文在点云领域实现了显著的改进,包括基于条件点生成器的生成复原的点云和利用全局几何先验和物体全局点密度分布来捕捉局部和全局特征,从而在分类、分割和检测等多个下游任务中取得了实质性的提升。
Nov, 2023
图像与点云之间的特征匹配问题是图像到点云配准的基本问题。通过预训练的大规模模型来统一图像和点云之间的模态,并在同一模态内建立可靠的对应关系。我们利用深度到图像扩散模型提取的中间特征即扩散特征在图像和点云之间具有语义一致性,这使得粗糙但稳健的跨模态对应关系的建立成为可能。在由单目深度估计器产生的深度图上进一步提取几何特征,通过匹配这些几何特征,显著提高了扩散特征产生的粗糙对应关系的准确性。在三个公共室内外基准测试上,通过直接利用这两种特征,该方法平均提高了 20.6%的内点比率、三倍的内点数目和 48.6%的配准召回率相比现有最先进方法。
Oct, 2023