AAAIDec, 2023

点云部分编辑：分割、生成、组装和选择

PDF
TL;DR提出了一种基于四阶段过程（分割、生成、组装和选择）的点云部分编辑模型 SGAS，通过特征解缠和约束策略，实现了编辑部分的多样性、忠实度和结果质量的提高。在不同数据集上进行的实验验证了 SGAS 在点云部分编辑上的高效性和有效性，同时还可以用于无监督部分感知的点云生成，取得了最先进的结果。
发现论文，激发创造
  • 少样本学习下的 CAM/CAD 点云部件分割

    本研究提出一种基于 few-shot 学习方法的零件分割算法，旨在提高算法对新分割任务的适应性以及对较小的数据量的敏感度，改善完全监督学习方法对数据集完备性的依赖。同时，采用 transform net 和 center loss block 有助于改善 3D 工件形状的理解和特征空间内同一类别的分布。

    Jul, 2022

  • AutoGPart: 中间监督搜索通用的三维零件分割

    我们提出了 AutoGPart，一种通用的方法，它考虑任务优先，使用几何先验知识构建监督空间，并让机器自动从该空间中搜索特定分割任务的最佳监督，以训练具有一般化的 3D 部分分割网络。在三个 3D 部分分割任务上进行了实验，证明了 AutoGPart 的有效性和通用性，并表明使用简单 backbones 训练的分割网络的性能可以显著提高。

    Mar, 2022

  • 无监督部件分割：通过分离外观与形状

    研究无监督发现和分割物体部分的问题，通过分离物体部分的外貌和形状表示来进一步优化分割性能，获得更一致的具有语义意义的部分。

    May, 2021

  • 点集投票用于部分点云分析

    该研究提出了一种针对局部 3D 点云的通用模型，该模型引入了本地点集投票策略，能够解决现有算法在应用于不完整点云时表现不佳的问题，并在形状分类、部分分割和点云补全方面取得了最先进的性能。

    Jul, 2020

  • 基于图形的三维点云过分割方法

    本文介绍了一种新的基于 3D 点云的超像素生成算法，使用了几种方法来构建连接图，比较了其性能，并呈现了与现有 2D 和 3D 的超像素算法比较得到的显著改进

    Feb, 2017

  • 学习三维物体的细粒度分割，无需部件标签

    本文介绍了一种以深度聚类为基础的三维形状部分分割方法，通过学习来自具有细颗粒度分割但没有零件标签的形状数据集的部分先验，它通过最小化新型低秩损失来实现部分分割并表现出优秀的性能。

    Mar, 2021

  • Part123：从单视角图像进行部位感知的三维重建

    Part123 是一种新颖的从单视图图像进行部分感知三维重建的框架，通过扩散模型生成多视角一致图像，并利用 Segment Anything Model (SAM) 生成多视角分割蒙版，然后通过对比学习将 2D 基于部分信息有效地结合到三维重建中，实验结果表明该方法可以在各种物体上生成具有高质量分割部分的三维模型，相较于现有无结构重建方法，该方法产生的部分感知三维模型对于特征保持重建、基本形状拟合和三维形状编辑等重要应用有益。

    May, 2024

  • 3D-PSRNet: 由单张图像重建部分分割的 3D 点云

    本文提出了一种机制，可以在只有一张输入图片的情况下重建物体的部分标注 3D 点云，该机制采用联合训练的方式，同时针对重建和分割任务进行训练，通过引入一种位置感知分割损失函数，在训练过程中相互传递信息以帮助彼此，这种方法在 ShapeNet 数据集上得到了良好的效果，提高了重建和分割的精度。

    Sep, 2018

  • 动态图学习生成三维零件装配

    该论文提出了一种基于动态图卷积神经网络的自主部件组装方法，主要解决了几何和关系推理的部件姿态估计子问题，从而将输入部件组装成一个 3D 形状。

    Jun, 2020

  • 构建点云清洗、平面检测和语义分割的框架

    提出了一个用于建筑模型的框架，针对点云清理、平面检测和语义分割等挑战进行处理，通过自适应阈值技术来清除异常值，并采用稳健的 RANSAC 算法进行平面检测和基于 PointNet 架构的深度学习方法进行建筑物的语义分割，结果表明该框架在建筑模型任务中具有高效和准确性，为建筑模型领域的提高准确性和效率铺平了道路。

    Feb, 2024