基于重建的点云采样方法: REPS
本文提出了一种基于简单的特征采样方案的 3D 人体网格重建方法,该方案利用嵌入空间中的点作为引导,有助于模型更集中地关注 2D 空间中的与网格相关性的特征,进而重建出自然的人体姿态,并且应用渐进的注意屏蔽机制来精确估计网格之间的局部交互。
Apr, 2023
提出了一种自监督的点云上采样方法 SPU-Net,该方法利用深度学习模型和 GCN 捕获点云上采样的内在模式,具有解决真实数据稀疏问题的能力。实验表明,该方法与现有的监督方法相比具有可比性能。
Dec, 2020
本文提出了一种基于深度神经网络的数据驱动算法,使用 Chamfer 距离作为损失函数对 3D 散点云进行上采样,该算法不需要硬编码规则,并能够学习属于不同对象类别的点云的潜在特征,实验结果表明,相比基于优化的上采样方法,该算法能够生成更加均匀和精确的上采样结果。
Jul, 2018
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
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
提出了一种新的点云采样方法,通过降低点云中的冗余,减少在几何对称和无结构环境下实时估计漂移的影响。该方法在机器人的几何运动估计中最大化梯度流的熵,从而最小化点的冗余。实验结果表明,该采样技术在良好条件和几何退化环境下的准确度和速度优于现有方法。
Dec, 2023
本研究提出了一种基于自注意力变换器和 Gumbel 子集采样的特征提取方法,可用于处理大小变化的输入,并能够用于处理事件相机流作为点云的新领域。
Apr, 2019