基于稀疏点云的无监督占据学习
提出 SurroundSDF 方法来通过环境图像隐式地预测连续的感知距离场 (SDF) 和语义场,通过使用基于查询的方法和 Eikonal 公式约束 SDF 以准确描述障碍物表面,并引入一种新的弱监督模式 (Sandwich Eikonal formulation) 来提高表面感知的准确性,实验证明该方法在 nuScenes 数据集上在占用预测和 3D 场景重建任务中取得了最优的结果。
Mar, 2024
从嘈杂和稀疏的部分点云中重建 3D 汽车对于自动驾驶非常重要。我们提出了一种名为 MV-DeepSDF 的新框架,通过估计多次扫描点云中的最优符号距离函数(SDF)形状表示来重建野外汽车。通过在潜在特征空间中分析多次扫描的一致性和互补性,并将隐式空间形状估计问题转化为元素到集合特征提取问题,我们首次探讨了多次扫描的重建。通过设计一种新的架构来提取单个元素级表示并将它们聚合生成集合级的预测潜在代码,得到隐式空间中最优 3D 形状的表达,并可以随后解码为连续的 SDF 汽车。通过对两个实际自动驾驶数据集(Waymo 和 KITTI)进行彻底实验,我们展示了我们的方法在质量和量化方面优于现有的替代方法。
Aug, 2023
本文提出了一种基于神经网络的方法,可以直接从单个稀疏点云中推断有符号距离函数(SDF),构建了表面参数化和 SDF 推断的端到端方法,通过利用参数化表面作为粗略表面采样器,以统计方式推断 SDF,并在合成数据集和真实扫描下的稀疏点云表面重构方面显著提高了我们对现有技术的优势。
Mar, 2023
我们提出了一个新的基于神经隐式函数表达的框架,用于处理噪声和不完整点云的注册问题,并通过一个分阶段的优化方式,实现了点云的精确匹配,避免了点对应计算,提升了鲁棒性和精度。
Apr, 2023
利用大规模的无噪声合成数据集作为形状先验来帮助模型填补缺失信息,同时通过引入 Dropsembles 方法进行不确定性估计,我们在神经辐射场、占据网络和符号距离函数等领域进行了一系列实验来验证其有效性,并在低分辨率 MRI 分割中的腰椎案例中展示了 Dropsembles 方法具有与深度集成相当的准确度和校准度但计算成本显著降低。
Jun, 2024
本研究提出了一种从原始点云直接学习一致性感知无符号距离函数的新方法,以进行表面重建,同时引入了多边形化算法以直接从学习的 UDF 的梯度场中提取表面。实验结果表明,在合成和真实扫描数据的表面重建方面,该方法在广泛使用的基准测试中明显优于现有技术。
Oct, 2022
本论文提出了一种名为神经距离场(Neural Distance Fields)的神经网络模型,可用于预测稀疏点云的非闭合曲面的符号距离场,以重构有内部结构的物体的表面,并实现了面法线计算和渲染。
Oct, 2020
通过神经隐式表面表示,即信号距离函数(SDF),提出了 ClusteringSDF 方法,实现了 3D 中的分割和重建。这项研究通过高效的聚类机制将 2D 标签提升到 3D,并在 ScanNet 和 Replica 数据集上的挑战性场景中取得了与现有技术相竞争的表现,而且训练时间大大缩短。
Mar, 2024
本篇研究提出了一种基于八叉树的特征体积的神经无人机距离函数模型,实现了高保真的 3D 形状实时渲染,且在多个方面表现出全球领先的复杂形状重建质量与渲染效率。
Jan, 2021