Dec, 2023

TULIP：用于 LiDAR 点云上采样的变形器

PDF
TL;DRTULIP 是一种用于从低分辨率 LiDAR 输入中重建高分辨率 LiDAR 点云的新方法，通过修改基于范围图像的 Swin-Transformer 网络的补丁和窗口几何形状，以更好地适应范围图像的特性，TULIP 在所有相关指标上优于最先进的方法，生成比先前的工作更强大和更真实的点云。
lidarupsamplingperception systemspoint cloudstulip
发现论文，激发创造
  • PU-Transformer: 点云上采样变形器

    本论文介绍了一种基于 transformer 模型的多头自注意力结构和位置融合块的点云上采样方法，并通过定量和定性的对比实验证明了其优越性能。

    Nov, 2021

  • 3D 点云深度可变放大可扩展上采样

    本文提出了一种基于学习的框架，通过自适应地分析输入点云的局部几何结构，设计出轻量级神经网络来统一、排序插值权重以及高阶细化，从而生成具有密集点云的物体 / 场景，并处理非均匀分布和噪声数据，该方法于现实世界中的各种上采样因子都可运作，并在合成和实际数据上均获得了优于现有方法的表现。

    Nov, 2020

  • PU-Net: 点云上采样网络

    本文提出了一种数据驱动的三维点云上采样技术，通过在特征空间中隐式地学习多层次特征并扩展点集，进而构建高密度点集，并在表面均匀分布的基础上实现采样点的重构，实验结果表明该方法的优越性。

    Jan, 2018

  • 基于条件扩散模型的快速 LiDAR 数据上采样

    本研究介绍了基于条件扩散模型的快速高质量稀疏到稠密三维场景点云的上采样方法，并利用 KITTI-360 数据集证明了该方法在采样速度和质量上优于基准方法。

    May, 2024

  • ULIP: 学习用于三维理解的统一语言、图像和点云表示

    本篇论文提出了利用 ULIP 从图像、文本和 3D 点云中预训练而来的对象三元组学习统一的表示，以提高在受限数据情况下的 3D 理解，实验证明了该方法与多个最近的 3D 骨干网有着显著的提升。

    Dec, 2022

  • 基于数据驱动的点云上采样

    本文提出了一种基于深度神经网络的数据驱动算法，使用 Chamfer 距离作为损失函数对 3D 散点云进行上采样，该算法不需要硬编码规则，并能够学习属于不同对象类别的点云的潜在特征，实验结果表明，相比基于优化的上采样方法，该算法能够生成更加均匀和精确的上采样结果。

    Jul, 2018

  • 使用本地距离指示器学习任意尺度点云上采样的连续隐式场

    提出了一种学习局部先验引导的无符号距离场的点云上采样方法，稀疏点云通过局部一致性表示，通过在学习的隐式场的零级集上生成稠密点云，实验结果在综合数据和真实扫描中显示出最先进的效果。

    Dec, 2023

  • RangeViT：用于自动驾驶 3D 语义分割的视觉 Transformer

    本文应用 Vision Transformers 和卷积解码器改进了基于投影的 3D 语义分割方法以获得更好的结果，并在 nuScenes 和 SemanticKITTI 数据集上超过了现有的投影方法。

    Jan, 2023

  • 多模态变换器增强的 LiDAR 点云生成的生成式人工智能

    通过综合感知和通信技术，提出了一种利用图像和雷达数据合成激光雷达点云的方法，从而增强无线通信系统的性能，并通过与现有感知模态的整合，提高各种无线应用的表现。

    May, 2024

  • PU-Ray：通过内隐表面上的光线行进进行点云上采样

    最近深度学习点云上采样方法在改善自动驾驶系统的输入方面取得了进展，但仍然存在由于端到端学习导致的更密集点生成的不确定性问题。本文提出了一种基于射线的任意倍率上采样方法，通过隐式表面学习来模拟射线行进算法，实现更精确和稳定的射线深度预测。中点查询采样方法基于规则，能够在不需要使用 Chamfer 距离损失函数进行模型训练的情况下实现均匀的输出点分布。准确的输入点云内的真实地面信息使得自我监督学习成为可能。通过有限的计算资源和训练数据，结果证明了该方法在不同领域和训练场景中的多功能性。这使得上采样任务从学术研究过渡到实际应用。

    Oct, 2023