Dec, 2023

增强法线嵌入的点云分析点变形网络

PDF
TL;DR该论文提出了一种基于简洁的 MLP 网络的 Point Deformable Network (PDNet)，它能够捕捉到具有强大表征能力的长程关系。论文还提出了 Point Deformable Aggregation Module (PDAM)，通过对可变形参考点的聚合，改进了长程依赖和点之间的自适应聚合的表示能力。在各种基准测试中进行了大量实验和消融研究，证明了 PDNet 的有效性和优越性。
mlp-based methodspoint deformable networkpoint deformable aggregation modulelong-range dependenciespoint cloud analysis
发现论文，激发创造
  • 在点云中重新思考网络设计和本地几何：一个简单的残差 MLP 框架

    本文提出了一种名为 PointMLP 的纯残差 MLP 网络，它不使用复杂的局部几何提取器，但仍能表现出很高的竞争力，装备了提出的轻量级几何仿射模块，PointMLP 在多个数据集上都达到了新的最佳状态，相对于大多数最近的 CurveNet，PointMLP 的训练速度快两倍，测试速度快七倍，并在 ModelNet40 基准测试中获得更高的精度。

    Feb, 2022

  • 利用点云变形网络对 3D 心脏收缩和舒张进行建模

    我们提出了点云变形网络（PCD-Net）作为一种新颖的几何深度学习方法，用于模拟心脏循环极端端点之间的三维心脏收缩和舒张过程。我们对来自英国生物库研究（UK Biobank study）中超过 10,000 例数据集进行评估，发现预测值与实际解剖结构之间的平均 Chamfer 距离小于图像获取的像素分辨率。此外，我们观察到预测值与实际群体之间的类似临床指标，并且证明了 PCD-Net 能够成功捕捉正常受试者和心肌梗死（MI）患者之间的亚人群特异性差异。然后，我们证明了学习到的三维变形模式在预测患有 MI 的面前 MI 检测和潜在 MI 预测任务方面优于多个临床指标，对于 MI 生存分析的 Harrell's concordance 指数提高了 7%。

    Jul, 2023

  • 基于深度神经网络的局部表面估计的 3D 点云去噪

    本文介绍了一种基于神经网络的 3D 点云去噪架构，使用深度学习技术进行去噪，将超过 40000 个采样点的 3D 数据进行网络训练，使用 350 个数据集进行测试，结果表明该算法具有更好的去噪性能和更小的方差。

    Apr, 2019

  • 基于 Transformer 的表面法向量估计

    使用 Transformer 从带有噪声和密度变化的点云中准确预测法线，在合成形状数据集 PCPNet 和真实世界室内场景数据集 SceneNN 上实现了最先进的性能，表现出更强的抗噪性和显著更快的推理速度，同时证明了现有工作中的复杂手工设计模块在表面法线估计任务中并非必需。

    Jan, 2024

  • 点邻域嵌入

    通过对点卷积操作的不同嵌入机制实验研究，我们提供了第一项广泛的研究，旨在分析这些嵌入机制如何单独编码点邻域信息，并给出了一些建议，可以帮助改进点云的神经网络架构设计。我们发现，最常用的基于多层感知器（MLP）和 ReLU 激活函数的嵌入机制在所有嵌入方式中表现最差，甚至在某些任务上被简单的点坐标线性组合方式超越。此外，我们展示了基于这些嵌入机制的简单卷积神经网络在多个任务上取得了最先进的结果，优于最近和更复杂的操作。最后，我们展示这些发现可以推广到其他更复杂的卷积操作，通过遵循我们的建议，能够改进最近的最先进架构设计。

    Oct, 2023

  • LPD-Net：大规模场景识别和环境分析的 3D 点云学习

    本文提出了一种名为 LPD-Net 的深度神经网络，它可以从原始 3D 点云数据中提取判别性和可推广性的全局描述符，用于解决基于点云的识别任务，并与 PointNetVLAD 和基于视觉的解决方案进行了比较。

    Dec, 2018

  • 基于图注意力的点云局部特征开发神经网络 GAPNet

    本研究基于图形注意力机制，提出了一个新的神经网络 GAPNet，用于学习点云中的局部几何表示，并且在形状分类和部分分割任务中，取得了最先进的性能。

    May, 2019

  • PyramNet: 点云金字塔注意力网络和图嵌入模块的分类和分割

    本研究通过 PyramNet 网络，结合两种新算子 GEM 和 PAN，实现在 3D 场景的点云对象分类和语义分割，以进行对 3D 数据的深度学习应用和实现。

    Jun, 2019

  • E$^3$-Net：高效的 E (3)- 等变法向量估计网络

    通过提出 E3-Net，引入一种高效的随机框架方法、高斯加权损失函数和感知层感知推理策略来实现点云法线估计的等变性，从而显著提高了模型的准确性。与当前最先进的技术相比，我们在两个合成数据集和一个真实世界数据集上的结果都更优秀，RMSE 分别提高了 4%、2.67% 和 2.44%。

    Jun, 2024

  • PointeNet: 一种高效且有效的点云分析轻型框架

    PointeNet 是一种专门用于点云分析的高效网络，通过轻量级的架构、低训练成本和即插即用功能，有效捕捉代表性特征，并在分类 / 分割头或嵌入到现成的 3D 物体检测网络中实现了明显的性能改进，尤其适用于自动驾驶等实际场景。

    Dec, 2023