AAAIMar, 2024

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

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • SPU-Net: 自投影优化的自监督点云粗到精重构上采样

    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

  • 基于数据驱动的点云上采样

    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

  • 3D 点云深度可变放大可扩展上采样

    本文提出了一种基于学习的框架，通过自适应地分析输入点云的局部几何结构，设计出轻量级神经网络来统一、排序插值权重以及高阶细化，从而生成具有密集点云的物体 / 场景，并处理非均匀分布和噪声数据，该方法于现实世界中的各种上采样因子都可运作，并在合成和实际数据上均获得了优于现有方法的表现。

    Nov, 2020

  • PUGeo-Net：一个针对三维点云上采样的几何中心网络

    本文提出了一种基于深度神经网络的方法 PUGeo-Net 用于处理点云密集化，从而描述底层几何结构，不仅可用于 CAD 模型的尖锐特征，也可用于具有丰富几何细节的扫描模型，同时实现了生成定点坐标和该点法线并存的任务。

    Feb, 2020

  • Grad-PU：基于学习距离函数的梯度下降任意尺度点云上采样

    该研究提出一种支持任意上采样率的点云高精度上采样方法，包括插值和迭代优化等步骤，经过大量的基准测试和下游任务的验证，表明该方法达到了最先进的准确性和效率。

    Apr, 2023

  • 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

  • AVS-Net：3D 点云分析中的自适应体素尺寸点采样

    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。

    Feb, 2024

  • Meta-PU：点云任意比例上采样网络

    本研究提出了一种名为 Meta-PU 的新方法，通过一个模型支持任意比例的点云上采样，并且通过在 Meta-PU 方法中动态调整 RGC 块的权重和采用 farthest sampling 块对不同数量的点进行采样，可实现连续上采样。

    Feb, 2021

  • PU-Ray：通过内隐表面上的光线行进进行点云上采样

    最近深度学习点云上采样方法在改善自动驾驶系统的输入方面取得了进展，但仍然存在由于端到端学习导致的更密集点生成的不确定性问题。本文提出了一种基于射线的任意倍率上采样方法，通过隐式表面学习来模拟射线行进算法，实现更精确和稳定的射线深度预测。中点查询采样方法基于规则，能够在不需要使用 Chamfer 距离损失函数进行模型训练的情况下实现均匀的输出点分布。准确的输入点云内的真实地面信息使得自我监督学习成为可能。通过有限的计算资源和训练数据，结果证明了该方法在不同领域和训练场景中的多功能性。这使得上采样任务从学术研究过渡到实际应用。

    Oct, 2023