Dec, 2023

RMS: 冗余最小化点云采样用于退化环境下的实时姿态估计

PDF
TL;DR提出了一种新的点云采样方法，通过降低点云中的冗余，减少在几何对称和无结构环境下实时估计漂移的影响。该方法在机器人的几何运动估计中最大化梯度流的熵，从而最小化点的冗余。实验结果表明，该采样技术在良好条件和几何退化环境下的准确度和速度优于现有方法。
point cloud samplingredundancygeometrical degeneraciesgradient flowego-motion estimation
发现论文，激发创造
  • 稠密点云补全的变形采样网络

    本文提出了一种新的方法，通过两个阶段，利用参数化表面元素和采样算法预测粗粒度点云并与输入点云合并来完成部分点云。实验结果表明，该方法在 Earth Mover's Distance（EMD）和 Chamfer Distance（CD）等方面表现优异，优于现有方法。

    Nov, 2019

  • 简化：降低 3D 点云语义分割的任务和模型复杂度

    本文提出了一种基于稀疏深度可分离卷积模块的新型管道，该管道通过减少网络参数数量并保留整体任务性能，需要更少的地面真实注释来实现优越的分割准确性，并提出了一个新的用于处理 3D LiDAR 点云数据的样本下采样方法，与现有方法相比具有更好的性能，同时在有限的训练数据上也表现出显着的性能提高。

    Mar, 2023

  • SampleNet: 可微分点云采样

    本文介绍了一种新的差分松弛算法用于点云采样，请参考本文中的公式和实验结果，该方法在点云分类与几何重建等任务上表现优异。

    Dec, 2019

  • 通过样本选择优化 3D 点云法线估计

    通过引入全局信息和各种约束机制，我们设计了一个基础框架来增强现有模型，同时采用基于置信度的策略选择合理样本进行公平且鲁棒的网络训练，并利用现有的定向方法纠正估计的非定向法线，在定向和非定向任务中实现了最先进的性能。广泛的实验结果证明了我们的方法对广泛使用的基准测试数据集表现良好。

    May, 2024

  • 基于重建的点云采样方法: REPS

    提出了一种基于重建评分策略的采样方法，通过去除和重建顶点来评估每个顶点的重要性。此方法在保留点云整体几何特征的同时避免破坏小尺度结构，在保留采样点云的结构特征方面优于先前方法。

    Mar, 2024

  • 可变形物体跟踪的快速点云到网格重建

    我们开发了一种能够以超过 50 赫兹的速度为不同类别的对象创建变形点云的变形网格的方法，该方法使用点云自动编码器和 Real-NVP 架构设计，可以在闭环方式下提供在线反馈并进行机器人应用的网格重建和跟踪。

    Nov, 2023

  • 基于采样网络引导的无监督点云配准交叉熵方法

    本文提出了一种基于交叉熵方法的端到端深度学习模型，用于无监督的点云配准任务，通过定义奖励函数及构建融合分数函数等方式进行最优化的点云配准，可优化配准算法 ICP 需要较高的计算量问题。

    Sep, 2021

  • CSI：提升三维点云识别对冲突的鲁棒性

    该研究针对点云数据的不可避免的数据损坏问题，提出了基于关键子集识别（CSI）方法，通过密度感知采样（DAS）和自熵最小化（SEM）两个关键组件来提高点云识别的鲁棒性。实验证明，该方法在 ModelNet40-C 和 PointCloud-C 数据集上分别取得了 18.4% 和 16.3% 的错误率，相对于同类方法分别提高了 5.2% 和 4.2%。

    Oct, 2023

  • 基于循环最近点的三维点云场景流估计

    本文提出一种基于递归网络的零阶方法，可用于解决对不规则点云数据进行 3D 场景流估计和点云配准两项任务，实验结果表明该方法能够超越以往方法并达到新的最佳表现。

    May, 2022

  • 从三维点云中估计自我运动和动态运动分离，以积累数据并改善三维物体检测

    通过应用自运动估计和动态运动校正方法提高了目标检测性能。

    Aug, 2023