May, 2024

通过样本选择优化 3D 点云法线估计

PDF
TL;DR通过引入全局信息和各种约束机制，我们设计了一个基础框架来增强现有模型，同时采用基于置信度的策略选择合理样本进行公平且鲁棒的网络训练，并利用现有的定向方法纠正估计的非定向法线，在定向和非定向任务中实现了最先进的性能。广泛的实验结果证明了我们的方法对广泛使用的基准测试数据集表现良好。
发现论文，激发创造
  • 加权点云法向估计

    本研究提出了一种加权法线估算方法，包括一种新型加权法线回归技术和一项对比度学习预处理过程，在保持特征的同时实现了鲁棒性，处理了噪声和复杂的点云，获得了合成和真实数据集上的最先进性能。

    May, 2023

  • 深度特征保持点云滤波法中的法向估计

    该研究提出了一种新的基于特征保留的法线估计方法来过滤点云，并通过实验证明其在去除噪点和保留几何特征方面的效果优于现有法线估计方法和点云过滤技术。

    Apr, 2020

  • NeuralGF: 通过学习神经梯度函数进行无监督点法线估计

    通过引入一种新的神经梯度函数学习范式，我们提出了一种从点云中直接估计定向法线的新方法，它能够更准确地学习未定向和定向法线估计任务。

    Nov, 2023

  • 重新思考点云法线估计三维曲面拟合中的逼近误差

    本文提出使用深度神经网络（DNNs）进行具有较低近似误差的点云法向量估计，其中采用了 Z 方向变换和误差建模作为基本设计原则，并将其与现有最先进的法向量估计方法集成。

    Mar, 2023

  • 点云法向量估计网络

    我们介绍了一种基于自我注意力机制的新型网络，可以软性聚焦于相关点，并通过学习温度参数来调整软性，使其能够在较大的近邻范围内自然而有效地工作。结果，我们的模型比所有现有的正常估计算法表现更好，精度达到 94.1%，比以前的 91.2% 的最高水平快 25 倍小，推理时间快 12 倍。我们还使用点对平面迭代最近点（ICP）作为应用案例，以展示我们的正常估计比其他方法的正常估计更快地收敛，而无需手动微调近邻参数范围。

    Aug, 2020

  • E$^3$-Net：高效的 E (3)- 等变法向量估计网络

    通过提出 E3-Net，引入一种高效的随机框架方法、高斯加权损失函数和感知层感知推理策略来实现点云法线估计的等变性，从而显著提高了模型的准确性。与当前最先进的技术相比，我们在两个合成数据集和一个真实世界数据集上的结果都更优秀，RMSE 分别提高了 4%、2.67% 和 2.44%。

    Jun, 2024

  • Refine-Net: 噪声点云的法向量优化神经网络

    本文提出一种名为 Refine-Net 的法线细化网络，通过从多个特征表示中提取更多信息并结合一种新的连接模块设计来预测嘈杂点云的准确法线，并使用一种新的多尺度贴合补丁选择方案来进行初始法线估计。该网络是一种通用的法线估计框架。

    Mar, 2022

  • 深度迭代表面法线估计

    该研究提出了一种基于图神经网络和自适应各向异性核的表面法线估计算法，不需要任何手动特征或预处理，优于现有深度学习方法，在保留尖锐特征和空间等变性的同时，速度和参数效率均为同类算法的两个数量级。

    Apr, 2019

  • AdaFit: 基于学习的点云法向量估计的重新思考

    该论文提出了一种神经网络 AdaFit，用于在含有噪声和密度变化的点云上进行强健的法线估计，并通过实验证明其能够在合成数据集和真实场景数据集上实现最好的性能。

    Aug, 2021

  • 基于 Transformer 的表面法向量估计

    使用 Transformer 从带有噪声和密度变化的点云中准确预测法线，在合成形状数据集 PCPNet 和真实世界室内场景数据集 SceneNN 上实现了最先进的性能，表现出更强的抗噪性和显著更快的推理速度，同时证明了现有工作中的复杂手工设计模块在表面法线估计任务中并非必需。

    Jan, 2024