Dec, 2023

基于对比学习和地理点云块的三维几何部分对称性检测

PDF
TL;DR对于各种下游任务（如 3D 几何完成、分割、压缩和结构感知形状编码或生成），对称性检测，特别是局部和外在对称性，是至关重要的。为了检测局部外在对称性，我们提出通过对比学习来学习旋转、反射、平移和尺度不变的局部形状特征，这些特征在多个类别和不同数据集上都具有鲁棒性和泛化性。我们展示了我们的方法能够提取多个正确解决方案，以解决这个模糊的问题。此外，我们引入了一个新的基准测试，用于评估我们的局部外在对称性检测方法。最后，我们将检测到的对称性与区域增长算法相结合，以实现一个下游任务，即计算对称感知的 3D 形状的划分。据我们所知，我们是第一个提出自监督数据驱动局部外在对称性检测方法的人。
symmetry detectionpartial extrinsic symmetrycontrastive learningbenchmark testself-supervised data-driven method
发现论文，激发创造
  • 从部分点云中循环估计反射对称平面

    该论文提出了一种新的方法，使用二维卷积递归回归方案，通过对高度维度的切片来处理 3D 数据，并设计了一种估计平面对称性的方法，既可以处理完整的数据，也可以处理真实世界的部分扫描数据，以提高三维物体探测器的输出。

    Jun, 2021

  • 快速准确的内在对称性检测

    本文提出了一种基于内在点对称性检测三角网格中对每个点的对称点的方法，并在功能映射框架下建立形状上的函数对应关系，最终基于精简解决方案寻找最短路径测地线上的点对应关系，该方法在对称点的最短路径测地线上的特性的基础上是不变的，且时间复杂度较低，在 SCAPE 数据集上获得了最佳表现，并在 TOSCA 数据集上与最先进的方法具有可比性。

    Jul, 2018

  • P2C: 来自单个部分点云的无监督点云补全

    Point cloud completion using a self-supervised framework called Partial2Complete (P2C) that utilizes incomplete point clouds to predict masked patches by learning prior information from different partial objects, incorporating a region-aware chamfer distance and a normal consistency constraint, and demonstrating comparable results to methods trained with complete shapes.

    Jul, 2023

  • PatchContrast：自监督预训练用于 3D 物体检测

    基于自主车辆的关键挑战是准确检测环境中的物体。我们引入 PatchContrast，这是一个创新的自我监督点云预训练框架，用于 3D 物体检测。通过提出两个抽象层次的利用，我们学习未标记数据的判别性表示：提案级别和补丁级别。提案级别旨在确定物体相对于周围环境的位置，而补丁级别增加了关于物体组件之间内部连接的信息，从而根据它们的独立组件区分不同的对象。我们展示了如何将这些级别集成到自我监督预训练中以增强下游的 3D 检测任务，并证明我们的方法在三个常用的 3D 检测数据集上优于现有的最先进模型。

    Aug, 2023

  • 从点集中无监督学习类别特定的对称三维关键点

    本文提出了一种采用非监督学习的方法，从未知类别的物体的三维点云中学习特定于类别的三维关键点，使用对称线性基础形状模型描述特定于类别的形状，并证明了该方法能够得到几何和语义方面的一致的关键点。

    Mar, 2020

  • 几何一致性下的部分对部分形状匹配

    我们的研究建立在几何一致性为重要约束的基础上，利用三角形乘积空间的新型整数非线性规划形式和基于线性整数规划的剪枝算法，在部分 - 部分匹配中实现了几何一致性，并生成了一个新的跨类别数据集，我们的方法在已有的类内数据集和我们的新跨类别数据集上均优于当前的技术水平方法。

    Apr, 2024

  • StablePose: 从几何稳定补丁学习 6D 物体姿态

    该研究基于几何稳定性分析理论，提出利用从观测的 3D 点云中提取的几何稳定性补丁来学习姿态推理，通过训练深度神经网络回归 6D 对象姿态。该方法在 6D 对象姿态估计与类别级别姿态估计领域取得了最先进的结果，并易于解决对称性歧义。

    Feb, 2021

  • 几何一致的部分形状匹配

    该论文提出了一种整合先进的深度形状特征到新型整数线性规划部分形状匹配公式的优化方法，能够在低分辨率的形状上获得全局最优解，并通过粗到精的过程进行改进，相比于现有的几何一致算法，我们的方法在处理部分形状时能够找到更可靠的结果且匹配更为平滑，同时能够避免使用补齐几何形状的方法。

    Sep, 2023

  • 评估 3D 形状分析方法对旋转不变性的稳健性

    本文通过对 3D 形状描述符的健壮性进行分析来评估其在 SO (3) 旋转（形状建模的基础）下的性能，并针对此任务考虑了不同方法的特征提取和分类。研究表明，针对相对简单的场景深度学习无法解决较大旋转差异或高难度对的问题，但是将旋转不变性设计为特征编码可以使其具有旋转不变性。

    May, 2023

  • 野外场景弱监督 3D 形状补全

    本研究利用弱监督的方法，通过多视角几何约束来同时估计 3D 的标准形状和 6 自由度姿态，解决了学习未对准和真实世界部分点云的情况下，利用大量数据进行 3D 形状补全的问题。实验证明，学习姿势估计可以促进部分点云的配准。

    Aug, 2020