- SAM3D: 三维场景中物体分割
SAM3D 是一个创新的框架,通过利用 RGB 图像中的 Segment-Anything 模型而无需进一步训练或微调,能够在 3D 点云中预测掩模,首先预测具有 SAM 的 RGB 图像的分割掩模,然后将 2D 掩模投影到 3D 点中。最 - 基于多视图表达学习的点云预训练
本文提出了一种基于 2D network 预训练的点云 3D 预训练新方法,通过引入多视角一致性损失,可有效防止 3D 特征丢失并在 3D 检测和语义分割等任务中实现最先进的性能。
- CVPR使用断裂曲线重新组合破碎物体
本文提出了一种基于 3D 点云的、不考虑物体类型和外形信息的两两组合方法,用于重新组装不同类型的残缺物体。
- ICML通过噪声到噪声映射从有噪音 3D 点云学习符号距离函数
本论文提出通过噪声到噪声的映射来学习带符号距离函数,并利用现代 Lidar 系统拍摄的多个嘈杂观测来推断单个物体或场景的高度准确的 SDF,实现表面重建、点云去噪和上采样等任务,并在公开的基准测试中表现出比现有方法更优秀的性能。
- 4DSR-GCN: 使用图卷积网络进行 4D 视频点云上采样
本研究提出了一种新的方法,使用特定设计的图卷积网络以及结合动态边卷积和图注意力网络,实现对经过重压缩的 3D 视频点云数据的提升和恢复,同时通过更少的参数达到可比较的重建质量,适用于例如自动驾驶中使用的 LiDAR 等边缘计算设备。
- 使用校准的局部几何驱动距离度量,释放 3D 点云建模的潜力
提出了一种称为 CLGD 的新型距离度量,它通过计算一组参考点诱导的基础 3D 表面之间的差异来量化两个非结构化 3D 点云之间的不相似度,并证明其在各种优化和无监督学习任务,包括形状重建、刚体配准、场景流估计和特征表示方面的高准确性。
- DC3DCD:多类别三维点云变化检测的无监督学习
本文提出了一种无监督方法 DeepCluster 3D Change Detection(DC3DCD),用于检测和分类多类变化,基于 3D 点云,并在模拟和真实数据集上进行了评估,结果深度聚类与标记方法相比具有较高的准确性和竞争性。
- 利用全波形闪光激光雷达数据学习材料属性进行语义分割
该研究旨在探究通过全波形反应是否能够确定物体的材料类型或类别,并通过随机森林分类器和时域卷积神经网络分类器训练两种不同的全波形材料分类器,结果表明,TCN 分类器在更广泛的材料范围内表现更好,但入射角度、物体颜色和材料相似性等因素会影响总体 - 变化检测需要变化信息:改进深度三维点云变化检测
本文提出了一种基于 3D 点云数据的变化检测方法 ——Encoder Fusion SiamKPConv 网络,通过对 Siamese KPConv 网络提供手工特征和变化相关特征,该方法在提高交并比的同时,避免了栅格化过程中的信息损失,优 - 第一印象很重要:为 3D 语义分割构建主动学习种子
提出了一种名为 SeedAL 的方法,用于 3D 点云的语义分割的有效注释,包括处理主动学习和无监督图像特征的选择种子等技术,实验效果显著。
- CVPRCherryPicker:樱桃树的语义骨架化和拓扑重建
CherryPicker 是一个自动化的管道系统,可从樱桃树的三维点云中重构光度,执行语义分割并提取其拓扑结构,并利用几种最先进的算法进行自动化处理。
- 基于变分自编码器的无监督三维点云异常检测
本文提出了一种针对三维点云的端到端无监督异常检测框架,该模型基于深度变分自编码器进行无监督学习和针对三维点云的异常分数计算,并在 ShapeNet 数据集上进行了广泛实验,证明了该方法优于基线方法。
- 小而强:用 U-Next 框架提升 3D 点云语义分割
该研究提出了一种基于 U-Next 框架的语义分割方法,通过学习语义相似特征图的多尺度分层表示、跨尺度特征图融合及多级深度监督机制实现对大规模 3D 点云的有效分割,实验证明其在多个基准数据集上具有显著的优越性和有效性。
- CVPR基于混合融合的多模态工业异常检测
本文提出了一种基于 3D 点云和 RGB 图像的新型多模式异常检测方法 M3DM,其中采用了无监督特征融合、决策层融合和点特征对齐等技术,实验表明该方法优于现有的同类方法。
- ICLRCircNet:基于外接圆检测的 3D 点云网格化
本文提出了一种基于深度神经网络的点云三角化方法,通过检测三角形垂心来实现,从而避免了枚举所有三角形组合和表面参数化,实现了高效、通用和稳健的三角化。
- AAAI通过点云配准重新思考旋转不变性
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。
- CVPRGD-MAE:基于 MAE 预训练的 LiDAR 点云生成解码器
本文提出了一种基于生成解码器的 Masked Autoencoders(GD-MAE)方法用于自动合并周围上下文信息,以恢复多层次融合遮蔽几何知识的三维点云,能在保持良好性能的情况下探索各种遮蔽策略,且实验结果表明该方法在多个大单元基准上均 - PointCLIP V2: 适应强大 3D 开放世界学习的 CLIP
本文介绍了一种名为 PointCLIP V2 的 3D 开放世界学习器,它使用对比语言 - 图像预训练(CLIP)以及大规模语言模型来在 3D 点云数据上进行零 - shot 分类、部分分割和物体检测。PointCLIP V2 通过引入现实 - 3D 点云对抗性丢失点的无模型预测
本研究提供了一种新的观点解决深度神经网络在三维点云中对敌对攻击的防御问题。研究采用多元线性回归分析 14 个点云特征,寻找最佳组合以实现模型无关的对抗点预测。实验结果证明该方法可以在 PointNet、PointNet++ 和 DGCNN - ECCVLidarNAS: 为三维点云统一和搜索神经结构
为了成功实现机器人技术和自动驾驶,开发能够准确理解 3D 点云中对象的神经模型至关重要。本文提出了一个统一的框架来因素分解神经网络,并演示了这种模块化框架作为神经架构搜索空间的可行性,并在 3D 物体检测上优于现有模型。