Oct, 2024

基于深度学习的3D点云增强研究综述

HTML
PDF
TL;DR本研究解决了3D点云数据中的稀疏性、噪声和不完整性等问题。通过对深度学习在点云增强中的方法进行全面的调查，提出了一种新的分类法，并提供了系统的实验结果和观察，为未来的研究方向提供了启示。研究表明，深度学习能够有效提升低质量点云的质量和完整性。
发现论文，激发创造
  • 大规模点云的全卷积点网络

    提出了一种用于处理大规模3D数据的一般用途的全卷积网络，具有内部将无组织的点云转换为有序结构以通过3D卷积处理的能力，可用于许多3D任务的通用点云描述符。在语义体素分割，语义部分分割和3D场景字幕数据集上进行了评估。

    Aug, 2018

  • PointConv：3D点云上的深度卷积网络

    本文介绍了一种新的卷积操作PointConv，此操作可用于处理3D点云并建立深度卷积神经网络，该网络具有创建非线性函数权重和密度函数的功能, 实验表明，PointConv可用于挑战性的语义分割基准测试，并在2D图像的结构相似情况下提供类似于卷积网络的性能。

    Nov, 2018

  • 基于深度神经网络的局部表面估计的 3D 点云去噪

    本文介绍了一种基于神经网络的3D点云去噪架构，使用深度学习技术进行去噪，将超过40000个采样点的3D数据进行网络训练，使用350个数据集进行测试，结果表明该算法具有更好的去噪性能和更小的方差。

    Apr, 2019

  • 具有上下文编码的密度感知卷积网络用于航空 LiDAR 点云分类

    本文提出了一种基于密度感知卷积和上下文编码的多尺度全卷积神经网络方法，用于3D点云分类，同时在ISPRS 3D标注基准上实现了新的最优性能。

    Oct, 2019

  • 3D点云的深度学习：概述

    本文综述了近期 point cloud learning 领域深度学习方法在 3D 形状分类、3D 物体检测与跟踪、3D 点云分割三大任务中的最新进展及其对公共数据集的比较结果，并提出了可启发未来研究的深刻见解和方向。

    Dec, 2019

  • 学习图卷积表示用于点云去噪

    本文提出一种基于图卷积层的深度神经网络，能够优雅地处理学习型点云处理方法所遇到的置换不变性问题，通过动态构建邻域图来建立特征的复杂层次结构，与促进接近理想表面的损失相结合，该方法在各种指标上都明显优于现有方法，特别是在高噪声和结构噪声等实际情况下表现尤为稳健。

    Jul, 2020

  • PD-Flow：一种带有归一化流的点云去噪框架

    介绍一种基于深度学习、归一化流以及噪音解缠技术的点云去噪方法，通过对噪声进行解缠并建立欧几里得空间和潜在空间之间的映射，从而实现高精度的去噪。在合成和真实世界数据集上的定性和定量实验表明，其性能优于现有的基于深度学习的方法。

    Mar, 2022

  • 深度学习中点云数据增强的进展：一项调查

    该研究综述了深度学习在点云处理中的应用，探讨了数据增强方法，并对其进行了综合评估和分类，以帮助研究人员全面了解点云数据增强的现状，并推动其广泛应用和发展。

    Aug, 2023

  • 基于深度学习的三维点云分类：系统调查与展望

    该论文介绍了点云的获取、特点和挑战，回顾了点云分类的3D数据表示、存储格式和常用数据集，总结了基于深度学习的点云分类方法，并对最新研究进展进行了补充，对主要方法的性能进行了比较和分析，并讨论了点云分类面临的一些挑战和未来方向。

    Nov, 2023

  • 深度学习技术在三维点云分类和语义分割中的综述

    本研究综述了深度学习在点云处理中的最新进展、挑战和潜在研究方向，重点关注点云分析中的3D形状分类和语义分割两个主要任务。

    May, 2024