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
本文提出了一种新颖的方法,通过将输入的 3D 点云的形状几何与语义学分离,来实现特征取向的稳定性和一致性,该方法将形状几何基于 SO(3)等变学习和形状语义基于 SO(3)不变残差学习相结合,通过校准 SO(3)等变定向假设来获得最终的特征定向。在实验中,该方法不仅展现出卓越的稳定性和一致性,而且在给定随机旋转输入的点云部分分割时也表现出最新的性能。
Jun, 2023
该论文从点云配准角度出发,提出一种三阶段框架实现旋转不变性学习,其中包括旋转不变性形状编码、对齐特征整合和深度特征配准等,用于旋转不变性的 3D 形状分类、部分分割和检索任务中。
Dec, 2022
使用自监督学习方法为可变形物体学习神经隐含形状表示法,无需特定语义领域的额外注释和大量变形约束,可用于纹理转移和形状编辑应用。
Aug, 2023
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
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
本文介绍了一种使用深度学习模式进行三维形状描述子学习的方法,在未定向输入数据的情况下创建坚固有力的旋转等变表示,并在测试时定义一个良好的规范方向。
Sep, 2019
本文通过对 3D 形状描述符的健壮性进行分析来评估其在 SO (3) 旋转(形状建模的基础)下的性能,并针对此任务考虑了不同方法的特征提取和分类。研究表明,针对相对简单的场景深度学习无法解决较大旋转差异或高难度对的问题,但是将旋转不变性设计为特征编码可以使其具有旋转不变性。
May, 2023
本文提出了 RoITr,一个应用于点云匹配任务的旋转不变转换器,分别从局部和全局两个层面贡献,其中局部级别引入了嵌入 PPF 坐标的注意力机制,全局阶段则提出了一个旋转不变的跨帧自注意力机制,获得了远超现有方法的性能。
Mar, 2023
这篇论文提出了一种自我监督学习框架,用于从大量无标签的三维点集中学习准确且旋转不变的三维特征,通过分解输入的三维点集成多个全局尺度的区域,使用自注意机制优化这些区域,并将它们聚合成每个三维点集的表达性旋转不变特征。该框架使用自我蒸馏方法生成伪标签进行训练,同时结合多裁剪和切割混合的数据增强技术来增加训练数据的多样性。通过全面的评估,实验证明目前针对有监督学习设计的旋转不变深度神经网络结构在自我监督学习场景下不一定能够学习到准确的三维形状特征,而我们提出的算法学习到的旋转不变的三维点集特征比现有算法更准确。