- Point-SAM: 可提示的点云三维分割模型
通过使用基于 Transformer 的方法在 3D 空间中扩展了 Segment Anything Model(SAM),我们提出了一种 3D 可提示分割模型(Point-SAM),利用部分级和对象级注释,从 SAM 中生成伪标签,将 2 - FASTC:一种快速的基于注意力机制的点云语义可通行性分类框架
使用点云进行地形可通过性评估,通过新的柱状特征提取模块和时空注意力模块,实现了更高的性能和更准确的评估结果。
- 基于支持向量回归的完整参考点云质量评估
该研究提出了一种基于支持向量回归的准确的全参考点云质量评估方法,通过整合五种基于全参考的度量标准,并使用支持向量回归进行快速预测,实现了对压缩失真、高斯噪声和降采样等多种降级类型的准确评估,其性能优于传统的全参考点云质量评估方法,并且比使用 - 自助学习多模态预训练在 3D 目标检测中的应用
通过使用与图像相关的 shelf-supervision 模型对配对的 RGB 和 LiDAR 数据进行无监督预训练,我们提出了一种能够生成零样本 3D 边界框的点云表示方法,这种方法在半监督检测中能够显著提高检测准确性,尤其适用于 LiD - 基于谱图小波的全参考点云质量评估
本研究介绍了一种基于谱图小波的全参考点云质量评估方法,利用新颖的基于谱图小波的度量标准对参考和失真点云之间的坐标和颜色信号进行比较,并通过支持向量回归将多个传统全参考度量标准和基于谱图小波的度量标准整合,从而实现准确的点云质量评估。实验结果 - CT3D++:基于关键点引导的通道注意力变换提升 3D 物体检测
通过引入两个旨在准确高效地检测和定位三维空间中物体的 3D 物体检测框架,本文目的是解决当前 3D 检测的灵活性和可伸缩性不足的问题,并在 KITTI 数据集和大规模 Waymo 数据集上取得最先进的性能。
- 规范化整合域:从点云中重建动态形状
我们提出了规范合并场(CanFields):一种将独立采样的时间序列点云重建为单一变形的连贯形状的方法。我们的方法通过将点云合并成一个规范形状来减少噪声和离群值的影响,并且允许我们处理缺失的区域。通过同时重构引导变形的速度场,我们保留了几何 - 高效的基于持续性拓扑优化的差同胚插值
通过使用差分同胚插值法,我们在点云的拓扑优化中克服了梯度稀疏性带来的优化困难,并展示了将拓扑优化应用于黑盒自编码器正则化的相关性及其对模型可解释性的提升。
- MM对齐嵌入和几何随机图:Procrustes-Wasserstein 问题的信息结果和计算方法
我们研究了 Procrustes-Wasserstein 问题,使用欧几里得传输成本作为性能度量,提出了 Ping-Pong 算法,用于匹配高维点云,并与现有方法进行比较。
- GeoMask3D:3D 自监督点云学习的几何信息掩码选择
我们引入了一种自监督学习的创新方法,采用一种名为 GeoMask3D(GM3D)的几何信息驱动的蒙版选择策略,以提高蒙版自编码器(MAE)的效率。与传统的随机蒙版方法不同,我们的技术利用师生模型来专注于数据中的复杂区域,引导模型关注具有更高 - 使用隐式神经表示的点云压缩:一个统一框架
本论文介绍了一个能够处理几何和属性组件的点云压缩框架,利用两个基于坐标的神经网络来隐式表示体素化的点云,通过将空间划分为小的立方体并专注于非空立方体内的体素来重建原始点云的几何和属性组件。实验结果表明,与最新的 G-PCC 标准中采用的八叉 - 3D 摄像机评估的碰撞避免度量
为了解决当前标准相机评估指标无法准确考虑应用上下文的问题,我们提出了一种新的用于评估点云的度量标准,该度量标准专门设计用于评估 3D 相机在关键的避碰任务中的适用性,并结合应用特定的考虑因素来提供一个更准确的评估控制机器人安全导航性能的度量 - 远距离下激光雷达语义分割的预处理和后处理基于体素的方法
本文提出了一种多阶段的 LiDAR 点云预处理和后处理方法,在多扫描设置中结合最先进的模型,旨在解决单次扫描中的挑战,通过对给定模型在单次扫描设置中进行定量评估,我们展示了我们的方法的好处,在中距离和远距离上,mIoU 性能显著提升超过 5 - 通过轻量不变特征学习对称矩阵和点云上的函数
提出了用于机器学习对称矩阵上不变函数和对点云上不变函数的数学公式,并结合 DeepSets 在不同尺寸的对称矩阵和点云上学习函数的可行性。
- PVTransformer:用于可扩展的三维物体检测的点对体素变换器
信息瓶颈限制了 3D 物体检测的准确性和可扩展性,因此我们提出了基于 Transformer 的 PVTransformer 架构,通过用注意模块替换 PointNet 池化操作来改善点到体的聚合函数,从而在广泛使用的 Waymo Open - 通过激光雷达 - 相机协同实现一致性目标检测
该研究论文介绍了一种端到端的一致性目标检测算法框架,能够同时获取点云和图像中物体的位置并建立它们之间的关联,通过新的一致性精度评估指标验证了该框架的准确性,实验结果表明该方法具有优秀的检测性能和鲁棒性。
- ESP-Zero: 无监督增强极稀疏点云的零样本分类
在本论文中,我们提出了一种无监督的模型自适应方法来增强用于处理极其稀疏点云的点云编码器,通过引入融合交叉注意力层和互补学习的自蒸馏方案,有效地改进点云特征并保持与文本嵌入的对齐,以提高处理这种极其稀疏点云的零样本分类能力。
- 单视角场景点云人类抓取生成
通过单一视图场景点云生成人类抓取行为,介绍了包括全局感知模块和 DiffuGrasp 模块的 S2HGrasp 框架,以及 S2HGD 数据集,实验证明了 S2HGrasp 能有效生成自然的人类抓取并有效避免手部穿透不可见的物体部分,具备强 - X-3D:点云识别的显式三维结构建模
X-3D 是一种显式的三维结构建模方法,通过捕捉输入的三维空间中的显式局部结构信息,并结合当前局部区域中所有邻域点的共享权重产生动态核心,有效地改善了嵌入空间的局部结构与原始输入点云之间的差异,提高了局部特征的提取能力。
- 使用点云攻击场景流
为解决深度神经网络对场景流网络的鲁棒性问题,本研究通过引入针对场景流网络的白盒对抗攻击,发现对一维点云或颜色通道进行攻击对平均端点误差具有显著影响。实验结果显示生成的对抗性样本使 KITTI 和 FlyingThings3D 数据集上的平均