Feb, 2024

AVS-Net：3D 点云分析中的自适应体素尺寸点采样

PDF
TL;DR本研究旨在提出一种高效的下采样方法，该方法利用基于体素的采样技术，并通过自适应调整体素大小和保留关键的几何线索来提高采样的准确性和效率。通过在 ShapeNetPart 和 ScanNet 基准测试上进行实验，我们的方法在准确性和效率方面均表现出了优异的性能。
downsamplingpoint cloud learningvoxel-based samplinggeometric cuesefficiency
发现论文，激发创造
  • 基于层级自适应体素导向采样技术的大规模点云实时应用

    本论文提出了一种基于逐层自适应体素引导的点采样器，能够以高效的方式处理大规模场景点云，实现实时应用，并通过实验验证了该方法的有效性和高效性。

    May, 2023

  • 基于体素网络的任意尺度点云上采样与隐式几何一致性学习

    最近，基于点云的任意尺度上采样机制因其在实际应用中的效率和便利性而越来越受欢迎。为了解决从稀疏点云学习表面表示所面临的挑战，我们提出了一种使用基于体素网络的任意尺度点云上采样框架（PU-VoxelNet）。通过利用体素表达的完整性和规律性，体素网络能够提供预定义的网格空间来近似三维表面，并根据每个网格单元内的预测密度分布重建任意数量的点。进一步，为了改善细节，我们提供了一种辅助训练监督方法，以强制实现局部表面块之间的潜在几何一致性。广泛的实验证明，所提出的方法在固定上采样率和任意尺度上采样方面都优于现有技术。

    Mar, 2024

  • PointASNL: 使用自适应采样的非局部神经网络进行鲁棒的点云处理

    本文介绍了一种名为 PointASNL 的新型端到端网络，旨在有效处理噪声的点云，并通过自适应采样模块和局 / 非局部模块来实现点云的鲁棒特征学习和降噪，并在各种数据集上获得了出色的性能。

    Mar, 2020

  • 无损点云几何压缩的多尺度深度上下文建模

    提出了一种名为 MSVoxelDNN 的实用深度生成方法，用于无损点云几何压缩，并表明它与 MPEG G-PCC 编解码器相比大大降低了比特率。

    Apr, 2021

  • PU-Net: 点云上采样网络

    本文提出了一种数据驱动的三维点云上采样技术，通过在特征空间中隐式地学习多层次特征并扩展点集，进而构建高密度点集，并在表面均匀分布的基础上实现采样点的重构，实验结果表明该方法的优越性。

    Jan, 2018

  • GeoAuxNet：面向多传感器点云的通用三维表示学习

    使用几何 - 体素辅助学习的方法，通过提供对多传感器点云的附加解释，使得体素表示可以获取点级几何信息，并支持体素骨干在多传感器点云上更好的泛化能力。我们的方法在联合多传感器数据集上表现出色，超越了其他模型，并在每个单一数据集上与现有的专家方法取得了竞争性结果。

    Mar, 2024

  • 基于学习的 3D 点云几何无损压缩

    本文介绍了一种基于学习的无损压缩方法，可用于静态点云几何图形，基于自适应算术编码。我们的编码器在八叉树和体素编码之间混合操作，即将点云自适应地分区为多分辨率体素块，使用八叉树表示分区。利用深卷积神经网络对体素进行学习和处理，呈现了优越的性能。在 Microsoft Voxelized Upper Bodies（MVUB）和 MPEG 的不同点云数据集上，与最先进的 MPEG G-PCC 标准相比，平均节省了 28％的数据。

    Nov, 2020

  • PIVOT-Net: 基于异构点 - 体素树的点云压缩框架

    该研究提出了一个异构点云压缩框架，统一了点基、体素基和树基三种典型点云表示及其相关骨干结构，以在不同位深水平对输入点云进行压缩。实验证明了该提议在各种点云上的最新性能。

    Feb, 2024

  • 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

  • 点云分类的自适应分层下采样

    该研究提出了一种自适应化下采样方法来保留点云中的重要点，使其可以与任何基于图的点云卷积层结合成为一个卷积神经网络用于 3D 物体分类。该方法在点云类数据集 ModelNet40 中取得了最佳结果。

    Apr, 2019