Apr, 2024

非刚性点云形状对应的不变本地参考框架

PDF
TL;DR我们提出了一种新的结构 EquiShape，旨在学习具有全局结构线索的成对 LRFs，以实现空间和语义一致性，并引入了 LRF-Refine，一种通用的优化策略，旨在解决 LRF 方法的泛化挑战。
unsupervised non-rigid point cloud shape correspondencelocal reference framesglobal geometric contextsequishapelrf-refine
发现论文，激发创造
  • 基于本地一致的旋转不变点云分析变换学习

    通过学习局部一致性变换和保留局部几何关系，我们在点形状分析中提出了一种具有旋转不变性的局部一致变换学习策略，并通过相对姿态恢复模块来解决中间层网络中相对姿态丢失的问题，实现了在形状分类和部分分割任务中具备任意旋转下的竞争性性能。

    Mar, 2024

  • SRFeat：学习局部精确和全局一致的非刚性形状对应

    本研究提出了一个新的基于学习的框架，将对比学习的局部准确性与几何方法的全局一致性相结合，用于强健性非刚性匹配。

    Sep, 2022

  • 无对应点的点云配准与 SO (3) 等变隐式形状表示

    本文提出了一种基于等变特征学习和隐式形状模型的无对应点云旋转配准方法，可实现无需数据关联、在特征空间中闭式求解和对噪声鲁棒。实验结果表明，该方法优于现有基于深度学习的无对应点云配准方法。

    Jul, 2021

  • MaskLRF：基于局部参考帧的自监督预训练用于旋转不变的三维点云分析的掩码自编码器

    这篇文章介绍了一种用于实际三维点集分析的旋转不变的自监督预训练框架，通过在局部参考帧中屏蔽自动编码的三维点来学习旋转不变且高度可推广的潜在特征，以提高对具有不一致方向的三维点集的准确性。

    Mar, 2024

  • 用于三维点云分析的等变点网络

    本文提出了一个有效的 SE（3）网络，它是针对点云分析领域中 3D 形状对齐任务而设计的，可以利用等变特征来提高性能并解决相对较少探索的旋转等变特征对 3D 形状对齐任务的处理问题。我们采用一个新的框架 SE (3) 可分点卷积来降低计算成本，并在网络中引入一个注意力层来有效地利用等变特征的表达能力。通过广泛的研究和视觉解释，实证结果表明，我们提出的模型在各种基准测试中优于强基线。

    Mar, 2021

  • 通过密集等变图像标注进行无监督的物体帧学习

    本文提出了一种基于视点分解的新方法，可以从视觉测量中提取抽象模型和目标类别的密集物体中心坐标系，并配有密集等变标记神经网络，可以将图像像素映射到对应的目标坐标系，这种方法可以适用于肢体简单目标和人脸等可变形物体，而不需要手动监督。

    Jun, 2017

  • 鲁棒等变多视角运动结构恢复（RESFM）

    多角度视图下的运动结构是一个基础且具有挑战性的计算机视觉问题，本文提出了一种基于深度学习的方法，利用矩阵等变体结构实现了从大量图像集合中同时恢复相机姿态和三维场景结构。通过添加一个适应于处理异常值的内禀 / 外禀分类模块并添加一个鲁棒的捆绑调整步骤，我们的方法可以成功地应用于包含常见启发式方法提取的具有许多异常值的大型图像集合的现实场景。

    Apr, 2024

  • 具有完整局部参考系的 SE (3) 等变图神经网络

    本文提出了一种构建 SE (3) 等变图神经网络的框架，该框架可以在保证性能的前提下实现计算效率的提升，并在牛顿力学建模和平衡分子构型生成两个任务中展示了优异的性能。

    Oct, 2021

  • 无监督刚体分割与运动估计的多体 SE (3) 等变性

    该研究提出了一种使用 SE (3) 等变特征进行刚体分割和运动估计的无监督学习方法，大大提高了模型效率和性能，并在四个数据集上进行实验证明了其有效性。

    Jun, 2023

  • 构建高效表达的三维等变图神经网络的新视角

    本研究提出了用于评估等变图神经网络表现力和表示分子属性任务的本地层次结构编码和框架转换编码模块，并针对未来设计大量发展提出了设计空间。

    Apr, 2023