- PointAttN: 点云补全只需注意力
利用跨注意力机制和自我关注机制设计新型神经网络 PointAttN,消除了现有方法中局部区域划分对点云密度分布敏感的问题,其在处理点云的过程中以点为基本单位进行计算,以简单而有效的方式直接建立点之间的短程和长程结构关系,因此可以精确地捕捉三 - CVPRPMP-Net++:基于 Transformer 增强的多步点移动路径,点云完整化
本文提出了一种用于点云补全和上采样的新型神经网络 PMP-Net++,该网络通过点云的形变过程实现补全。 Transformer-enhanced representation learning 可以进一步提高 PMP-Net++ 的性能。
- ICCVSkip-Transformer 技术用于点云补全与生成的雪花点反卷积
本文提出了一种基于 SnowflakeNet 和雪花点反卷积 (SPD) 的点云完成方法,该方法能精确展现局部区域的三维形态特征,并且在其他生成任务(如点云自编码、生成、单张图像重建和上采样)中效果优于现有的最佳方法。
- ICLR一种基于条件点扩散细化的三维点云完整性修复范式
本文提出了一种基于点扩散和精化的点云补全范式,其中条件生成网络使用去噪扩散概率模型生成粗糙补全, 精修网络进一步改进完成后的点云的质量,并开发了一个新的双向路径架构。 这种架构既能从部分观察到的点云中有效地提取多级特征以指导补全,也能准确地 - 密度感知 Chamfer 距离作为点云补全的全面指标
提出一种新的点云相似度评价方法 ——Density-aware Chamfer Distance (DCD),结合 point cloud completion 任务和 point discriminator 模块的实验结果表明,DCD 关 - 基于修补的自监督点云补全
本文通过自监督学习中的修补法算法 PointPnCNet,使用 LiDAR 数据进行点云补全,以解决遮挡问题,我们的方法在 ShapeNet 和 Semantic KITTI 的数据集中,表现优于前人的无监督和弱监督方法。
- ICCV基于体素的网络,通过利用边缘生成进行形状补全
本文介绍了使用基于体素的网络和边缘生成(VE-PCN)来实现点云补全的方法,该方法采用多尺度网格特征学习来生成更真实的表面细节,并在公开数据集上进行了评估,表现优于现有的最先进方法。
- ICCVSnowflakeNet: 通过跳过变换器使用雪花点解卷积完成点云补全
本文介绍了一种名为 SnowflakeNet 的点云完成算法,采用 Snowflake Point Deconvolution (SPD) 来生成完整的点云,通过引入 skip-transformer 和 SPD 来学习最佳匹配局部区域的点 - CVPR变分关系点补齐网络
本文提出了一种基于变分框架的点云重建方法 (Variational Relational point Completion network - VRCNet),该方法采用了概率建模和关系增强技术实现点云的精细局部重建,同时给出了一个包含 1 - CVPR视角引导下的点云补全
本文提出了一种基于视角引导的点云补全解决方案,通过从额外单视图图像中获取缺失的关键全局结构信息,利用依次执行有效跨模态和跨层次融合的框架,相比于现有解决方案在视角引导点云完形填空任务上取得了显著优越的结果。
- CVPRCycle4Completion: 使用循环转换和缺失区域编码的非配对点云补全
本文提出一种名为 Cycle4Completion 的新型不成对点云完成网络,该网络可以从部分三维物体中推断其完整的几何形状,实现双向几何对应的学习,并在实验中展示了超越同类方法的表现。
- 基于风格的点云生成器与对抗渲染用于点云补全
本文提出了一种新型样式点生成器(SpareNet),通过具有通道注意性的 EdgeConv 来充分利用点特征中的局部结构和全局形状,将形状特征视为风格代码,以调节折叠过程中的标准化层,提高了其生成复杂和忠实形状的能力,然后将完成的点投影到深 - CVPRPMP-Net: 学习多步点移动路径完成点云补全
通过模拟地球移动的行为,在点云不完整的输入上将每个点移动以完成点云,同时保证点移动路径的总路径最短,我们设计了一种名为 PMP-Net 的新型神经网络实现点云预测。该网络在点级别上学习到了精细的拓扑结构和结构关系,并在 Completion - 点集投票用于部分点云分析
该研究提出了一种针对局部 3D 点云的通用模型,该模型引入了本地点集投票策略,能够解决现有算法在应用于不完整点云时表现不佳的问题,并在形状分类、部分分割和点云补全方面取得了最先进的性能。
- CVPR基于分层折叠的跳过注意力网络的点云补全
本文提出了一种 Skip-Attention Network(SA-Net)算法,以增强点云补全任务中原始点云局部结构信息的提取过程,该算法通过 skip-attention 机制实现选取不同分辨率下不同局部结构信息的编码。实验表明,SA- - PF-Net:用于 3D 点云补全的点分形网络
本文提出了基于点分形网络的学习方法 Point Fractal Network(PF-Net),用于精确高保真度的点云补全,通过多尺度生成网络进行缺失点云的预测。同时,通过多阶段的补全误差和对抗损失来生成更真实的缺失区域,实验证明了该方法的