CVPRMar, 2024

FSC：少点形状补全

PDF
TL;DR通过熵分析发现，即使少量的点，如 64 个点，也能保留足够的信息来帮助恢复物体的三维形状。为了解决极度稀疏的点云形状补全问题，我们提出了 Few-point Shape Completion (FSC) 模型，该模型包含一个处理极度稀疏输入的新型双分支特征提取器，以及一个用于动态重要性分配的极大点利用分支的显著性分支。此外，这个模型还有一个两阶段的修正网络，可以增强提取的特征和解码器输出的细节和真实性。我们的实验证明了从少量点恢复三维形状的可行性。所提出的 FSC 模型在少量点输入和多量点输入上胜过了先前的方法，并且对不同的物体类别具有良好的泛化性。
3d object shape completionsparse point cloudsfew-point shape completion (fsc)dual-branch feature extractortwo-stage revision network
发现论文，激发创造
  • 自我监督的点云补全级联优化网络

    提出了一种基于两个分支的神经网络，用于点云的完形填充，其中第一个分支是连锁的对象完形子网络，第二个分支是一个自编码器，共同利用局部输入和粗糙输出来保留对象细节，并使用相同的特征提取器学习形状完形的全局特征，实验结果表明，该方法在点云完形填充任务上的效果超越了现有技术的方法。

    Oct, 2020

  • 野外场景弱监督 3D 形状补全

    本研究利用弱监督的方法，通过多视角几何约束来同时估计 3D 的标准形状和 6 自由度姿态，解决了学习未对准和真实世界部分点云的情况下，利用大量数据进行 3D 形状补全的问题。实验证明，学习姿势估计可以促进部分点云的配准。

    Aug, 2020

  • SCPNet：点云上的语义场景补全

    提出了三种解决方案，包括对完成子网络的重新设计，使用知识蒸馏从多帧模型中提取知识以及完成标签修正，并在 SemanticKITTI 和 SemanticPOSS 数据集上进行了扩展实验。SCPNet 表现出比竞争对手更好的结果，展示了场景完成中学习到的知识对语义分割任务的有益性。

    Mar, 2023

  • P2C: 来自单个部分点云的无监督点云补全

    Point cloud completion using a self-supervised framework called Partial2Complete (P2C) that utilizes incomplete point clouds to predict masked patches by learning prior information from different partial objects, incorporating a region-aware chamfer distance and a normal consistency constraint, and demonstrating comparable results to methods trained with complete shapes.

    Jul, 2023

  • 具有质量感知形状补全的鲁棒三维跟踪

    通过形状补全方法构建稠密而完整的点云目标表示，从而实现鲁棒的三维跟踪，并借助体素化的关系建模模块和框精炼模块提高跟踪性能。

    Dec, 2023

  • 重新思考少样本 3D 点云语义分割

    该研究论文通过引入标准化的少样本点云语义分割设置和基于相关性优化的新模型 (COSeg)，解决了目前该领域面临的前景泄漏、稀疏点分布等问题，在流行数据集上的实验证明了 COSeg 相对于现有方法的优越性。

    Mar, 2024

  • 点云完整性的级联细化网络

    提出了一种级联细化网络结合粗到细的策略，通过考虑局部输入的细节和全局形状信息，保留了不完整点集中的现有细节，生成高保真度的缺失部分，并设计了一个补丁鉴别器来学习复杂的点分布，实验结果表明在 3D 点云完成任务中，我们的方法优于现有最先进的方法。

    Apr, 2020

  • 通过分离特征聚合实现细节保留点云补全

    本文提出了两种特征聚合策略 (global&local feature aggregation，GLFA 和 residual feature aggregation，RFA) 来表示缺失的部分和已知的部分，并设计了精细化组件以防止生成的点云具有不均匀分布及异常值。在 ShapeNet 数据集上进行了广泛的实验，定性和定量评估表明我们提出的方法在细节保留方面优于当前最先进的方法。

    Jul, 2020

  • 使用潜在优化的点云高保真语义形状补全

    通过基于学习的方法，利用生成建模和潜在流形优化来完成不完整的三维形状，我们的算法直接处理点云数据，成功地重建了在没有依赖基于示例数据库的检索的情况下大缺失区域的点云。

    Jul, 2018

  • 学习局部位移实现点云补全

    该研究提出一种新的方法，使用基于 3D 点云的局部扫描来完成物体和场景的自动化补全，并通过使用特定的编码器 - 解码器结构以及三个特殊开发的新型层来实现。该方法在对象和室内场景自动补全任务中表现出优异的性能，并提高了技术水平。

    Mar, 2022