无监督模板辅助点云形状对应网络
提出一种自我集成的有方向性网络 (称为 SE-ORNet),用于解决无监督点云形状对应的难题,能够对齐点云对的方向,有效减轻对称部分的误差预测,同时还采用了自我集成框架,通过数据增强和预测一致性的约束,克服了点云噪声的干扰,实验结果表明,该方法能够超过现有的无监督点云形状对应方法。
Apr, 2023
该论文提出了一个新框架,利用 PointNet 表征对齐点云和执行注册,以实现跟踪,3D 重建和姿态估计等应用,能够根据点云的形状信息生成特定形状或通用的方法,并具有噪声和数据初始化错位的鲁棒性。
Aug, 2019
本文提出了一种深度学习框架,用于准确的视觉对应,并证明了其在几何和语义匹配中的有效性,提出了一种卷积空间变换器来模仿传统特征(如 SIFT)中的补丁归一化,广泛的 KITTI,PASCAL 和 CUB-2011 数据集的实验表明,与使用手工构建或学习特征的先前作品相比,我们的特征具有显着优势。
Jun, 2016
本论文提出用深度学习的方法,引入形状变形网络,同时编码 3D 形状和相应关系,通过将表面表示因子化为模板和学习的全局特征向量相结合,来匹配可变形的形状。
Jun, 2018
本文介绍了一种基于无监督和端到端深度学习的框架 CorrNet3D,以学习 3D 形状之间的密集对应关系,并证明了其相对于最先进的方法具有更好的性能,源代码和预先训练好的模型可通过链接获得。
Dec, 2020
本文提出一种新的点云注册驱动的 Siamese 跟踪框架,包括追踪特定的非本地注册模块和注册辅助的 Sinkhorn 模板特征聚合模块,以实现在精确定位物体的同时提高跟踪鲁棒性。
Sep, 2022
本文使用 Siamese Transformer 网络,结合点云的形态信息和深度信息,在 3D 单目标跟踪任务中实现了鲁棒的交叉相关学习,取得了与 KITTI、nuScenes 和 Waymo 数据集上最优的表现。
Jul, 2022
该论文提出了一种自监督的深度表面变形方法,其中采用了循环一致性来定义物体组中的良好对应关系,并将其用作监督信号来训练神经网络。该方法在没有模板、假定近似等距变形或依赖于点对应监督的情况下运行,并成功地将其用于传输形状间的分割。该方法在 Shapenet 上表现优于当前同类方法,特别是在少量标注样本的情况下。
Jul, 2019
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
介绍了第一种完全无监督的对变形三维图形进行对应学习的方法,通过理解自然变形的形态变化近似保持曲面的度量结构,提出了一种驱动学习过程的自然准则,从而克服了对带注释数据的需求,并取而代之的是一种纯几何标准,学习模型不分含义类别,能够利用任何类型的可变形几何数据进行训练,相对于现有的专门针对训练期间观察到的类别的监督方法,我们展示出更强的泛化能力和应用于各种具有挑战性设置的能力,在广泛的对应基准测试中展示了我们的方法,在精度、泛化能力和效率方面均超过了其他方法。
Dec, 2018