May, 2024

基于条件扩散模型的快速 LiDAR 数据上采样

PDF
TL;DR本研究介绍了基于条件扩散模型的快速高质量稀疏到稠密三维场景点云的上采样方法，并利用 KITTI-360 数据集证明了该方法在采样速度和质量上优于基准方法。
3d lidar datarefiningconditional diffusion modelssparse-to-dense upsamplingkitti-360 dataset
发现论文，激发创造
  • 实现实际 3D LiDAR 场景补全的扩展扩散模型

    使用扩散模型方法在单个 3D LiDAR 扫描中完成场景实现了比最先进的完成场景方法更多细节的场景，为扩散模型应用于场景规模点云数据的进一步研究提供了支持。

    Mar, 2024

  • 利用去噪扩散概率模型合成 LiDAR 数据

    通过使用 R2DM 模型和 DDPMs 方法，本研究提出了一种新的用于生成 LiDAR 数据的生成模型，该模型可以基于图像表示生成多样性和高保真度的 3D 场景点云，有效地优化了 KITTI-360 和 KITTI-Raw 数据集的生成任务以及 KITTI-360 数据集的上采样任务。

    Sep, 2023

  • 一种基于条件去噪扩散概率模型的点云上采样方法

    本研究提出了一种基于条件去噪扩散概率模型（DDPM）的点云上采样方法，称为 PUDM。PUDM 通过对稀疏点云进行条件建模，学习了稠密点云和噪声之间的转换关系，并利用双映射范式提高点特征的辨别力。此外，PUDM 还通过参数化速率因子，在训练过程中利用稀疏点云和稠密点云之间的比例关系生成高质量的任意尺度点云，实验结果表明其具有较强的噪声鲁棒性，相比现有方法，在 Chamfer 距离和 Hausdorff 距离上取得了最先进的性能。

    Dec, 2023

  • 利用激光雷达扩散模型实现逼真场景生成

    提出了一种基于曲线模式和几何真实性的 LiDAR 扩散模型 (LiDMs)，用于生成与 LiDAR 场景更真实的场景，实现了在无条件和有条件下 LiDAR 生成的竞争性性能，并比基于点的 DMs 高效 (快达 107 倍)。

    Mar, 2024

  • 3DifFusionDet：基于鲁棒性激光雷达与相机融合的三维物体检测的扩散模型

    该研究提出了 3DifFusionDet 框架，将 3D 目标检测视为从噪声 3D 框到目标框的去噪扩散过程，并通过特征对齐策略和渐进改进方法，在 LiDAR-Camera 融合中取得了显著贡献。实验证明，3DifFusionDet 在 KITTI 上的表现优于前期的经典检测器。

    Nov, 2023

  • BuilDiff: 单视角条件下的三维建筑形状生成

    利用图片条件模型扩散点云模型的新型三维建筑生成方法，在保持整体结构同时综合生成建筑顶部结构，实验证明该方法在建筑生成质量方面优于之前的研究。

    Aug, 2023

  • RenderDiffusion：用于 3D 重建、修补与生成的图像扩散

    本文提出了 RenderDiffusion，这是第一个用于 3D 生成和推断的扩散模型，使用仅有的单眼 2D 监督进行训练，并采用新颖的图像去噪架构进行中间的三维表示，以提供强烈归纳结构，同时仅需要 2D 监督。我们在 FFHQ、AFHQ、ShapeNet 和 CLEVR 数据集上评估了 RenderDiffusion，展示了生成 3D 场景和从 2D 图像中推理 3D 场景的竞争性表现。此外，我们的扩散型方法还使我们能够使用 2D 修复来编辑 3D 场景。

    Nov, 2022

  • RangeLDM：快速逼真的 LiDAR 点云生成

    通过引入 RangeLDM，我们提出了一种快速生成高质量 LiDAR 点云的新方法，通过深度生成模型、变分自编码器和扩散模型来解决传统方法中的限制，从而在自动驾驶中获得稳健的表现和快速生成速度。

    Mar, 2024

  • 图像逆问题中的可导条件扩散对于离域自适应

    我们介绍了一种名为可控条件扩散的新型采样框架，它将去噪扩散模型与可用的测量数据相结合，实现了对多样的成像模态下的离群任务的显著改进，推动了去噪扩散模型在实际应用中的鲁棒部署。

    Aug, 2023

  • 基于数据驱动的点云上采样

    本文提出了一种基于深度神经网络的数据驱动算法，使用 Chamfer 距离作为损失函数对 3D 散点云进行上采样，该算法不需要硬编码规则，并能够学习属于不同对象类别的点云的潜在特征，实验结果表明，相比基于优化的上采样方法，该算法能够生成更加均匀和精确的上采样结果。

    Jul, 2018