Jan, 2024

基于 Transformer 的表面法向量估计

PDF
TL;DR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。
transformernormalspoint cloudsgeometric featuressurface normal estimation
发现论文，激发创造
  • Tensorformer: 高质量点云重建的归一化矩阵注意力变换器

    通过引入新的矩阵关注 Transformer（Tensorformer）来实现更好的局部几何建模和更高质量的表面重建，成果在两个常用的数据集上均已超越同行，并在 ShapeNet 上取得 4％的 IOU 改进。

    Jun, 2023

  • 深度迭代表面法线估计

    该研究提出了一种基于图神经网络和自适应各向异性核的表面法线估计算法，不需要任何手动特征或预处理，优于现有深度学习方法，在保留尖锐特征和空间等变性的同时，速度和参数效率均为同类算法的两个数量级。

    Apr, 2019

  • 重新思考点云法线估计三维曲面拟合中的逼近误差

    本文提出使用深度神经网络（DNNs）进行具有较低近似误差的点云法向量估计，其中采用了 Z 方向变换和误差建模作为基本设计原则，并将其与现有最先进的法向量估计方法集成。

    Mar, 2023

  • 加权点云法向估计

    本研究提出了一种加权法线估算方法，包括一种新型加权法线回归技术和一项对比度学习预处理过程，在保持特征的同时实现了鲁棒性，处理了噪声和复杂的点云，获得了合成和真实数据集上的最先进性能。

    May, 2023

  • 为表面法线估计设计深度网络

    本文使用卷积神经网络进行单张图像表面法线的预测，并通过加入人工约束和中间表征优化网络结构，得到了表现最优的结果。

    Nov, 2014

  • NeuralGF: 通过学习神经梯度函数进行无监督点法线估计

    通过引入一种新的神经梯度函数学习范式，我们提出了一种从点云中直接估计定向法线的新方法，它能够更准确地学习未定向和定向法线估计任务。

    Nov, 2023

  • NoiseTrans：基于 Transformer 的点云去噪

    本文提出了一种基于 Transformer 编码器结构的点云去噪模型 NoiseTrans，通过自注意力机制以及本地点云注意力和稀疏编码等技术，将嘈杂的点云转换成干净的点云，实验结果显示该模型在各种数据集和噪声环境中优于现有技术。

    Apr, 2023

  • 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

  • 深度特征保持点云滤波法中的法向估计

    该研究提出了一种新的基于特征保留的法线估计方法来过滤点云，并通过实验证明其在去除噪点和保留几何特征方面的效果优于现有法线估计方法和点云过滤技术。

    Apr, 2020

  • 点云法线估计的非对称孪生网络

    通过应用合理的约束条件，我们在干净点云和有噪点云上学习得到的内在特征的一致性，提出了一种改进正常估计质量的方法，并引入一个包含不同噪声级别的多视角正常估计数据集，通过评估现有方法在该数据集上的表现发现其过拟合问题，持久实验证明了我们的特征约束机制能够有效改进现有方法并降低当前架构中的过拟合现象。

    Jun, 2024