An optimal hierarchical clustering approach to segmentation of mobile LiDAR point clouds
University of Calgary（卡尔加里大学）
提出了一种基于层次聚类的移动LiDAR点云分割方法。我们执行无组织的点云上的邻近矩阵的基础上的层次聚类。邻近矩阵中的相异性度量是通过聚类之间的欧氏距离和给定点处法向量的差来计算的。本文的主要贡献是成功地对层次聚类中的聚类组合进行了优化。该组合通过实现二分图的匹配来获得，并通过求解最小代价完美匹配来优化。实验结果表明，提出的最优层次聚类（OHC）方法能够自动实现多个独立目标的分割，并且优于现有的激光雷达点云分割方法。
2017-11-09 cs.CV
Road Curb Extraction from Mobile LiDAR Point Clouds
University of Calgary（卡尔加里大学）
从不均匀、无组织、有噪声的海量三维点云中自动提取道路边缘是一项具有挑战性的任务。现有方法通常将3D点云投影到2D平面上以提取路缘。然而，投影导致3D信息的损失，这降低了检测的性能。提出了一种鲁棒、准确、高效的从三维移动LiDAR点云中提取路缘石的方法。我们的方法包括两个步骤：1）提取候选点的基础上提出的新的能量函数和2）细化的候选点，使用提出的最小成本路径模型。我们在大规模的居民区（16.7GB，3亿个点）和城市地区（1.07GB，2000万个点）移动LiDAR点云上评估了我们的方法。结果表明，该方法是优于国家的最先进的方法在鲁棒性，准确性和效率。所提出的路缘提取方法实现了78.62%的完整性和83.29%的正确性。这些实验表明，该方法是一个很有前途的解决方案，从移动激光雷达点云提取道路边缘。
2016-10-27 cs.CV
A novel tree-structured point cloud dataset for skeletonization algorithm evaluation
College of Computer Science（计算机学院）；Chongqing University（重庆大学）
从散乱点云中提取曲线骨架是计算机视觉和三维数据预处理与可视化的基础任务。从点云数据中提取骨架是一个重要的研究课题。但由于缺乏标准的具有地面真实骨架的点云数据集，使得这些算法的评价变得困难。在本文中，我们构建了一个全新的树结构的点云数据集，包括地面真骨架，和点云模型。此外，在干净的点云上构建了四种类型的点云：含噪声点云、含缺失数据点云、不同密度点云和密度分布不均匀点云。我们首先使用树编辑器建立树的骨架和相应的网格模型。由于隐式曲面具有很好的表现力，能够很好地保留复杂树枝模型的边缘和细节，因此我们采用隐式曲面对三角网格进行建模。利用隐式曲面，将虚拟扫描仪应用于点云的采样。最后，考虑到骨架提取的挑战，我们介绍了不同的方法来建立四种不同类型的点云模型。该数据集可用作骨架提取算法的标准数据集。并且可以通过将地面真实骨架与提取的骨架进行比较来执行骨架提取算法之间的评估。
2020-01-09 cs.CV
From Multiview Image Curves to 3D Drawings
SRI International（SRI国际）；Polytechnic Institute（理工学院）；Shool of Engineering（工程学院）
近年来，从多个视图重建3D场景取得了令人印象深刻的进展，主要是通过关联孤立的特征点、强度模式或曲线结构。在一般情况下-没有受控的采集，丰富的纹理，曲线和曲面遵循特定的模型或限制场景的复杂性-大多数方法产生无组织的点云，网格，或体素表示，与一些例外产生无组织的云的3D曲线片段。理想情况下，许多应用需要曲线、曲面及其空间关系的结构化表示。本文提出了一个步骤，在这个方向上制定一个方法，将2D图像曲线到一个集合的3D曲线，它们之间的拓扑连接表示为一个3D图形。这就产生了一个3D绘图，它与表面表示是互补的，就像3D支架补充了一个绷紧的帐篷一样。我们在合成和真实数据集上对我们的结果进行了评估。
2016-09-18 cs.CG cs.CV cs.GR
3D Face Modeling From Diverse Raw Scan Data
Michigan State University（密歇根州立大学）
传统的3D人脸模型使用线性子空间从单个数据库的有限扫描中学习人脸的潜在表示。从不同的3D数据库中构建大规模人脸模型的主要障碍在于原始扫描之间缺乏密集的对应关系。为了解决这些问题，本文提出了一个创新的框架，从不同的原始3D扫描数据库中联合学习非线性人脸模型，并在扫描之间建立密集的点对点对应关系。具体来说，通过将输入扫描视为无组织的点云，我们探索使用PointNet架构将点云转换为身份和表情特征表示，解码器网络从中恢复其3D人脸形状。此外，我们提出了一个弱监督学习的方法，不需要对应标签的扫描。我们证明了我们提出的方法的优越的密集对应和表示能力，以及它对单图像三维人脸重建的贡献。
2019-08-13 cs.CV
SoftPoolNet: Shape Descriptor for Point Cloud Completion and Classification
Technische Universität München（慕尼黑工业大学）；Google Inc.（谷歌公司）
点云通常是许多应用程序的默认选择，因为它们比体积数据更具灵活性和效率。然而，它们的无组织性-点以无序的方式存储-使它们不太适合由深度学习管道处理。本文提出了一种基于点云的三维物体完成和分类方法。我们引入了一种新的方式来组织提取的功能的基础上，他们的激活，我们命名为软池。对于解码器阶段，我们提出了区域卷积，一种旨在最大化全局激活熵的新算子。此外，受点完备网络（PCN）中局部细化过程的启发，我们还提出了一种分片变形操作来模拟点云的解卷积操作。本文证明了我们的区域激活可以被纳入许多点云架构，如PakasNet和PCN，从而获得更好的几何完成性能。我们在不同的3D任务（如对象完成和分类）上评估我们的方法，以实现最先进的精度。
2020-08-17 cs.CV eess.IV
3DCNN-DQN-RNN: A Deep Reinforcement Learning Framework for Semantic Parsing of Large-scale 3D Point Clouds
Beijing Normal University（北京师范大学）；Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences（中国科学院地理科学与资源研究所）；Tsinghua University（清华大学）
大规模三维点云的语义解析是计算机视觉和遥感领域的重要研究课题。大多数现有的方法利用手工制作的功能，为每一个模态独立，并结合他们在一个启发式的方式。它们往往没有充分考虑特征之间的一致性和互补性，这使得它们很难捕捉高层语义结构。目前大多数深度学习方法学习的特征都可以获得高质量的图像分类结果。然而，这些方法很难应用于识别三维点云由于无组织的分布和不同的点密度的数据。本文提出了一种3DCNN-DQN-RNN方法，该方法融合了3D卷积神经网络（CNN）、深度Q网络（DQN）和残差递归神经网络（RNN），用于大规模3D点云的高效语义解析。在我们的方法中，在3D CNN和DQN的控制下的眼睛窗口可以有效地定位和分割对象类的点。3D CNN和残差RNN进一步提取了眼窗中点的鲁棒性和区分性特征，从而大大提高了大规模点云的解析精度。我们的方法提供了一个自动化的过程，将原始数据映射到分类结果。它还将对象定位，分割和分类集成到一个框架中。实验结果表明，该方法优于最先进的点云分类方法。
2017-07-21 cs.CV
Deep Unsupervised Learning of 3D Point Clouds via Graph Topology Inference and Filtering
我们提出了一种具有图形拓扑推理和过滤的深度自动编码器，以无监督的方式实现无组织3D点云的紧凑表示。许多以前的工作离散三维点的体素，然后使用基于格的方法来处理和学习三维空间信息，但是，这导致不可避免的离散化错误。在这项工作中，我们处理原始3D点没有这样的妥协。所提出的网络遵循自动编码器框架，重点是设计解码器。编码器采用与PointNet类似的架构。解码器包括三个新颖的模块。折叠模块将规范的2D晶格折叠到3D点云的底层表面，实现粗略重建;图拓扑推理模块学习图拓扑以表示3D点之间的成对关系，推动潜在代码以保留3D点云中的点的坐标和成对关系;图过滤模块耦合上述两个模块，通过学习的图拓扑对粗重建进行细化，得到最终重建。所提出的解码器利用可学习的图拓扑来推动码字以保留代表性特征，并进一步提高无监督学习性能。我们进一步提供了所提出的架构的理论分析。在实验中，我们验证了所提出的网络在三个任务，包括三维点云重建，可视化和转移分类。实验结果表明：（1）所提出的网络在各种任务中优于最先进的方法;（2）图拓扑可以推断为辅助信息，而无需对图拓扑推断进行具体监督;（3）图过滤细化了重建，从而获得更好的性能。
2019-11-25 cs.CV
SurfR: Surface Reconstruction with Multi-scale Attention
University of Utah（犹他大学）；Google Research（谷歌研究院）
本文提出 SurfR，一种用于无组织点云的快速准确隐式表面重建方法，通过惰性查询、并行多尺度网格和跨尺度注意力实现最优精度-速度权衡。
2025-06-10 cs.CV
Shape Back-Projection In 3D Scenes
Indian Institute of Technology, Kanpur（印度理工学院坎普尔分校）
在这项工作中，我们提出了一种新的框架形状反投影计算效率的点云处理的概率方式。该技术的主要组成部分是形状直方图和反投影程序。该技术通过分析它们的几何特性来测量3D表面之间的相似性。它类似于彩色反投影，它可以简单地通过查看它们的颜色分布来测量图像之间的相似性。在整个过程中，首先，计算样本表面（例如平面）的形状直方图，其以概率分布的形式捕获点周围的表面法线的轮廓。随后，将直方图反向投影到测试表面上，并获得似然性得分。分数描述了测试表面中的点在几何上与样品表面表现相似的可能性。形状反投影在二值表面分类、无组织点云中的高曲率边缘检测、3D-CNN的自动点云标记中有应用该算法还可以用于实时机器人操作，例如仓库自动化中的自主物体拾取，自主车辆的地平面提取，并且可以轻松地部署在计算有限的平台（UAV）上。
2021-01-16 cs.CV cs.RO
PPFNet: Global Context Aware Local Features for Robust 3D Point Matching
Technische Universitat München（慕尼黑工业大学）；Siemens AG（西门子股份公司）；National University of Defense Technology（国防科技大学）
我们提出了PPFNet -点对特征网络，用于深入学习全局信息的3D局部特征描述符，以在无组织的点云中找到对应关系。PPFNet学习纯几何的局部描述符，并高度了解全局上下文，这是深度学习的重要线索。我们的3D表示被计算为与局部附近的点和法线相结合的点对特征的集合。我们的排列不变网络设计灵感来自PointNet，并将PPFNet设置为无顺序。与体素化相反，我们的方法能够消耗原始点云来充分利用稀疏性。PPFNet使用一种新型的$\textit{N-tuple}$丢失和架构，将全局信息自然注入到本地描述符中。它表明，上下文意识也提高了本地特征表示。我们的网络的定性和定量评估表明，提高了召回率，提高了鲁棒性和不变性，以及在3D描述符提取性能的重要一步。
2018-03-01 cs.AI cs.CV
Point Cloud Upsampling and Normal Estimation using Deep Learning for Robust Surface Reconstruction
Ilmenau University of Technology（伊尔梅瑙工业大学）；Carl Zeiss AG（卡尔蔡司公司）
真实世界表面的重建在各种应用中都有很高的要求。大多数现有的重建方法应用3D扫描仪来创建通常稀疏且低密度的点云。这些点云将被三角化并与通过几何方法估计的表面法线结合用于可视化。然而，重建的质量取决于点云的密度和表面法线的估计。在本文中，我们提出了一种新的点云上采样深度学习架构，使后续的稳定和平滑的表面重建。一个低密度的噪声点云与相应的点法线被用来估计具有较高的密度和附加的点法线的点云。为此，我们提出了一个复合损失函数，鼓励网络估计点，躺在一个表面上，包括法线准确地预测表面的方向。我们的研究结果显示了估计法线与点位置的好处。生成的点云更平滑、更完整，最终的曲面重建更接近地面实况。
2021-02-26 cs.CV
The Surfacing of Multiview 3D Drawings via Lofting and Occlusion Reasoning
SRI International（SRI国际）；Polytechnic Institute – Rio de Janeiro State University（里约热内卢州立大学理工学院）；Brown University（布朗大学）
近年来，从多个视图进行场景的三维重建已经取得了令人印象深刻的进步，主要是通过关联孤立特征点、强度或曲线结构的方法。在一般情况下，即，在不需要受控采集、有限数量的对象、对象上的丰富图案或遵循特定模型的对象曲线的情况下，这些方法中的大多数产生重构场景的无组织的点云、网格或体素表示，除了一些例外，产生作为曲线网络的3D绘图。许多应用，例如，然而，机器人技术、城市规划、工业设计和硬表面建模需要结构化表示，其产生明确的3D曲线、表面和它们的空间关系。重建表面表示现在可以通过3D绘图来约束，该3D绘图像脚手架一样悬挂在计算表示上，从而提高重建的鲁棒性和质量。本文提出了一种方法来完成这样的三维图纸与表面重建，探索通过放样算法的遮挡推理。
2017-07-13 cs.CV
Skeleton Extraction from 3D Point Clouds by Decomposing the Object into Parts
Purdue University（普渡大学）
将点云数据分解为各个分量和从点云数据中提取曲线骨架是两个相关的问题。将形状分解成其组件通常作为骨架提取的副产品获得。在这项工作中，我们提出了提取曲线骨架，从无组织的点云，通过分解对象到其部分，识别部分骨架，然后将这些部分骨架连接在一起，以获得完整的骨架。我们相信这是提取骨骼的最自然的方式，因为这是人类解决问题的方式。我们的部分是广义圆柱体（GC）。由于GC的轴是其定义的一个组成部分，因此这些部分具有自然的骨架表示。我们使用平移对称性（GC的基本属性）从点云中提取零件。我们演示了这种方法可以处理各种各样的形状。我们比较我们的方法与国家的最先进的方法，并展示了如何一部分为基础的方法可以处理其他方法的一些局限性。我们提出了一个改进的版本，现有的点集配准算法，并证明其实用程序中提取的零件从点云。我们还展示了如何使用这种方法来提取骨架和识别部分噪声点云。基于部件的方法还为用户交互提供了自然和直观的界面。我们证明了容易与错误，如果有的话，可以固定与最小的用户交互的帮助下，一个图形用户界面。
2019-12-26 cs.CV cs.GR cs.RO
Weighted Point Cloud Normal Estimation
Deakin University（迪肯大学）；OPT Machine Vision Tech Co., Ltd（OPT机器视觉技术有限公司）
针对现有法线估计方法对噪声和复杂结构不鲁棒且忽略邻点贡献的问题，本文提出加权法线回归与对比学习预训练方法，在合成和真实数据集上达到最先进性能。
2023-05-06 cs.CV
PD-Flow: A Point Cloud Denoising Framework with Normalizing Flows
South China University of Technology（华南理工大学）；Tsinghua University（清华大学）
点云去噪的目的是从被噪声和离群值破坏的原始观测中恢复干净的点云，同时保留细粒度的细节。我们提出了一种新的基于深度学习的去噪模型，该模型结合了归一化流和噪声解纠缠技术，以实现高去噪精度。与现有的工程，提取点云的特征逐点校正，我们制定了去噪过程的角度分布学习和功能解纠缠。通过将噪声点云视为干净点和噪声的联合分布，可以通过将噪声对应物从潜在点表示中分离出来来获得去噪结果，并且通过归一化流来建模欧氏空间和潜在空间之间的映射。我们在合成的3D模型和具有各种噪声设置的真实世界数据集上评估我们的方法。定性和定量的结果表明，我们的方法优于以前最先进的基于深度学习的方法。
2022-07-24 cs.CV
Asymmetrical Siamese Network for Point Clouds Normal Estimation
Dalian Neusoft University of Information（大连东软信息学院）；Dalian Maritime University（大连海事大学）；Dalian University of Technology（大连理工大学）
针对现有点云法向量估计方法依赖PCPNet数据集易过拟合、跨域性能差的问题，提出非对称孪生网络的特征约束方法，并构建多噪声多形状的新数据集，有效提升估计性能并缓解过拟合。
2024-06-24 cs.CV
PointNorm: Dual Normalization is All You Need for Point Cloud Analysis
Carnegie Mellon University（卡内基梅隆大学）；New York University（纽约大学）；Wenzhou-Kean University（温州肯恩大学）
本文提出PointNorm框架，通过在采样-分组操作后引入由Point Normalization和Reverse Point Normalization组成的DualNorm模块，结合局部均值与全局标准差，有效解决点云不规则性问题，在多个分类与分割基准上实现了高精度与高效率。
2023-04-17 cs.CV
MambaH-Fit: Rethinking Hyper-surface Fitting-based Point Cloud Normal Estimation via State Space Modelling
Guangzhou University（广州大学）；Hong Kong Polytechnic University（香港理工大学）；Beijing Institute of Technology（北京理工大学）
提出MambaH-Fit框架，通过注意力驱动层次特征融合和逐块状态空间模型，增强局部几何细节建模，提升点云法线估计的精度和鲁棒性。
2026-06-16 cs.CV
Topology-Aware Non-Rigid Point Cloud Registration
University of Maryland, College Park（马里兰大学帕克分校）；University of Maryland Institute for Advanced Computer Studies (UMIACS), University of Maryland, College Park（马里兰大学帕克分校马里兰高级计算机研究所）
在本文中，我们介绍了一个非刚性配准管道对无组织的点云，可能是拓扑结构不同。标准的翘曲场估计算法，即使在鲁棒的，不连续保持正则化，往往会产生不稳定的运动估计与“接近开放”的拓扑结构的变化相关联的边界。我们通过利用向后运动克服了这一限制：在相反的运动方向上，“关闭到打开”事件变成了“打开到关闭”，默认情况下可以正确处理。在我们的方法的核心在于一个通用的，拓扑不可知的翘曲场估计算法，类似于最近推出的动态重建系统从RGB-D输入。我们提高了运动估计的边界与拓扑结构的变化，在一个有效的后处理阶段。基于向前和（反向）向后翘曲假设，我们明确地检测变形的几何形状，通过局部变形标准进行拓扑变化的区域，并将其大致分类为“接触”或“分离”。随后，根据检测到的事件的类型和接近度，在局部基础上无缝地混合两个运动假设。我们的方法在MPI Sintel数据集上实现了最先进的运动估计精度。在具有拓扑事件注释的自定义数据集上的实验证明了我们的流水线在估计事件边界上的运动方面的有效性，以及在显式拓扑事件检测中的良好性能。
2019-11-03 cs.CV cs.GR cs.RO
Learning Signed Hyper Surfaces for Oriented Point Cloud Normal Estimation
School of Software, Tsinghua University（清华大学软件学院）；School of Computing and Artificial Intelligence, Southwest Jiaotong University（西南交通大学计算机与人工智能学院）；School of Computer and Software Engineering, Xihua University（西华大学计算机与软件工程学院）；Kuaishou Technology（快手科技）；Center for Artificial Intelligence and Robotics, New York University Abu Dhabi（纽约大学阿布扎比分校人工智能与机器人中心）；Department of Computer Science, Wayne State University（韦恩州立大学计算机科学系）
提出SHS-Net方法，通过MLP参数化的有符号超曲面在端到端框架下融合局部与全局特征，实现点云定向法向估计，在多个基准上优于现有方法。
2024-07-30 cs.CV
Nesti-Net: Normal Estimation for Unstructured 3D Point Clouds using Convolutional Neural Networks
Techion IIT（以色列理工学院）
本文提出了一种非结构化三维点云的法线估计方法。这种方法，称为Nesti-Net，建立在一个新的局部点云表示，其中包括多尺度点统计（MuPS），估计在一个局部粗高斯网格。该表示是CNN架构的合适输入。使用混合专家（MoE）架构估计法线，该架构依赖于数据驱动的方法来选择每个点周围的最佳尺度，并鼓励子网络专业化。有趣的见解网络的资源分布提供。尺度预测显著提高了对不同噪声水平、点密度变化和不同细节水平的鲁棒性。我们在基准合成数据集上实现了最先进的结果，并在真实扫描场景上呈现了定性结果。
2018-12-03 cs.CV
AdaFit: Rethinking Learning-based Normal Estimation on Point Clouds
Wuhan University（武汉大学）；The University of Hong Kong（香港大学）；Texas A&M University（德克萨斯农工大学）
本文提出了一种用于点云正态分布鲁棒估计的神经网络AdaFit，它可以处理具有噪声和密度变化的点云。现有的工作使用网络来学习加权最小二乘曲面拟合的逐点权重来估计法线，这在复杂区域或包含噪声点中难以找到准确的法线。通过对加权最小二乘曲面拟合步骤的分析，发现拟合曲面的多项式阶数难以确定，且拟合曲面对野值敏感。为了解决这些问题，我们提出了一个简单而有效的解决方案，增加了一个额外的偏移预测，以提高正常估计的质量。此外，为了利用来自不同邻域大小的点，提出了一种新的级联尺度聚合层，以帮助网络预测更准确的逐点偏移和权重。大量的实验表明，AdaFit在合成PCPNet数据集和真实的SceneNN数据集上都达到了最先进的性能。
2021-08-12 cs.CV
Rethinking the Approximation Error in 3D Surface Fitting for Point Cloud Normal Estimation
Hikvision Research Institute（海康威视研究院）
现有的点云法向估计方法大多是局部拟合几何曲面，并根据拟合曲面计算法向。最近，基于学习的方法采用了预测逐点权重的例程来解决加权最小二乘曲面拟合问题。尽管取得了显着的进步，这些方法忽略了拟合问题的近似误差，从而导致拟合曲面的精度较低。本文首先对曲面拟合问题中的逼近误差进行了深入的分析。然后，为了弥合估计和精确的表面法线之间的差距，我们提出了两个基本的设计原则：1）应用$Z$方向变换旋转局部补丁，以获得更好的表面拟合与较低的近似误差; 2）模型的法线估计的误差作为一个可学习的长期。我们使用深度神经网络实现这两个原则，并以即插即用的方式将它们与最先进的（SOTA）正常估计方法集成在一起。大量的实验验证了我们的方法为点云正态估计带来了好处，并推动了合成和真实世界数据集上最先进性能的前沿。
2023-03-30 cs.CV
Contrastive Learning for Joint Normal Estimation and Point Cloud Filtering
Deakin University（迪肯大学）；Defense Science and Technology Group, Australia（澳大利亚国防科学与技术集团）
针对现有3D点云法向量估计与滤波方法易受噪声干扰、难以保留尖锐特征的问题，提出基于3D块对比学习的联合深度学习方法，通过加噪增强训练鲁棒特征编码器，结合联合损失同时完成两项任务，性能优于现有最优方法。
2023-05-03 cs.CV
PU-Flow: a Point Cloud Upsampling Network with Normalizing Flows
South China University of Technology（华南理工大学）；City University of Hong Kong（香港城市大学）；Tsinghua University（清华大学）；Nanyang Technological University（南洋理工大学）
点云上采样的目的是从给定的稀疏点云生成稠密点云，这是一个具有挑战性的任务，由于点集的不规则和无序的性质。为了解决这个问题，我们提出了一种新型的基于深度学习的模型，称为PU-Flow，它结合了标准化流和权重预测技术，以产生均匀分布在底层表面上的密集点。具体而言，我们利用归一化流的可逆特性来转换欧几里得空间和潜在空间之间的点，并将上采样过程制定为潜在空间中相邻点的集合，其中集合权重从局部几何上下文自适应地学习。大量的实验表明，我们的方法是有竞争力的，在大多数测试情况下，它优于国家的最先进的方法在重建质量，接近表面的精度，和计算效率。源代码将在https://github.com/unknownue/pu-flow上公开。
2022-06-08 cs.CV
Go with the Flows: Mixtures of Normalizing Flows for Point Cloud Generation and Reconstruction
ETH Zurich（苏黎世联邦理工学院）；University of Bologna（博洛尼亚大学）；Google（谷歌）；TU Munich（慕尼黑工业大学）
最近，归一化流（NF）在建模3D点云方面表现出了最先进的性能，同时允许在推理时以任意分辨率进行采样。然而，这些基于流的模型仍然需要很长的训练时间和大型模型来表示复杂的几何形状。这项工作通过将NF的混合物应用于点云来增强其代表性。我们表明，在这个更一般的框架中，每个组件学习专门在一个特定的子区域的对象在一个完全无监督的方式。通过用相对较小的NF实例化每个混合物组件，我们生成的点云与基于单流的模型相比具有更好的细节，同时使用更少的参数并大大减少推理运行时间。我们进一步证明，通过添加数据增强，个别的混合成分可以学习专门在语义上有意义的方式。我们评估了基于ShapeNet数据集的生成，自动编码和单视图重建的NF混合物。
2021-11-29 cs.CV
Neighbourhood-Insensitive Point Cloud Normal Estimation Network
University of Oxford（牛津大学）
我们引入了一种新的基于自注意力的正常估计网络，该网络能够柔和地关注相关点，并通过学习温度参数来调整柔和度，使其能够在较大的邻域范围内自然有效地工作。因此，我们的模型远远优于所有现有的正常估计算法，与先前的91.2%的最新技术相比，准确率达到94.1%，模型小25倍，推理时间快12倍。我们还使用点到面迭代最近点（ICP）作为应用案例，表明我们的正常估计比其他方法的正常估计更快的收敛，而无需手动微调邻域范围参数。代码可在https://code.active.vision获得。
2021-01-15 cs.CV
GraphFit: Learning Multi-scale Graph-Convolutional Representation for Point Cloud Normal Estimation
Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院）；Beijing Academy of Artificial Intelligence（北京智源人工智能研究院）
针对非结构化三维点云，提出了一种精确有效的法向估计方法，该方法可以有效地处理噪声和密度不均匀的问题。与现有的直接获取补丁并忽略局部邻域关系的方法不同，这使得它们容易受到尖锐边缘等具有挑战性的区域的影响，我们建议学习用于正常估计的图卷积特征表示，它强调更多的局部邻域几何形状并有效地编码内在关系。此外，我们设计了一种基于注意力机制的新型自适应模块，将点特征与其邻近特征结合起来，从而进一步增强了所提出的正态估计器对点密度变化的鲁棒性。为了使其更具可区分性，我们在图块中引入了多尺度架构，以学习更丰富的几何特征。我们的方法在各种基准数据集上具有最先进的准确性，并且对噪声，离群值以及密度变化非常鲁棒。
2022-07-23 cs.CV
CMG-Net: Robust Normal Estimation for Point Clouds via Chamfer Normal Distance and Multi-scale Geometry
Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；University of Chinese Academy of Sciences（中国科学院大学）；Hong Kong Institute of Science & Innovation, Chinese Academy of Sciences（中国科学院香港创新研究院）；SenseTime Research（商汤科技研究院）；Soochow University（苏州大学）
针对点云法线估计中方向不一致与尺度选择模糊问题，提出基于Chamfer法线距离和多尺度几何架构的CMG-Net，在合成与真实数据集尤其是含噪场景下达到SOTA性能。
2023-12-14 cs.CV
MSECNet: Accurate and Robust Normal Estimation for 3D Point Clouds by Multi-Scale Edge Conditioning
National Institute of Advanced Industrial Science and Technology (AIST)（国立研究开发法人产业技术综合研究所（产综研））；Dalian University of Technology（大连理工大学）；Tokyo Institute of Technology（东京工业大学）
针对3D点云法线估计在法线快速变化区域失效的问题，提出MSECNet，通过多尺度边缘条件流结合骨干网络生成边缘感知表征，在合成与真实数据集上精度和速度均优于现有方法，可用于表面重建。
2023-08-23 cs.CV
HSurf-Net: Normal Estimation for 3D Point Clouds by Learning Hyper Surfaces
Tsinghua University（清华大学）；Chinese Academy of Sciences（中国科学院）；Xiamen University（厦门大学）；New York University Abu Dhabi（纽约大学阿布扎比分校）；Wayne State University（韦恩州立大学）
我们提出了一种新的法线估计方法，称为HSurf-Net，它可以准确地预测法线从点云噪声和密度变化。以前的方法集中于学习点权重，以将邻域拟合到由具有预定义阶数的多项式函数近似的几何表面中，基于该几何表面估计法线。然而，从原始点云显式拟合曲面遭受过度拟合或欠拟合的问题所造成的不适当的多项式阶数和离群值，这显着限制了现有方法的性能。为了解决这些问题，我们引入超曲面拟合来隐式地学习超曲面，超曲面由多层感知器（MLP）层表示，这些层将点特征作为高维特征空间中的输入和输出表面模式。我们引入了一种新的空间变换模块，它由一系列的局部聚合层和全局移位层组成，用于学习最佳特征空间，以及一个相对位置编码模块，用于有效地将点云转换为学习的特征空间。我们的模型从无噪声特征中学习超曲面，并直接预测法向量。我们以数据驱动的方式联合优化MLP权重和模块参数，使模型自适应地为各种点找到最合适的表面图案。实验结果表明，我们的HSurf-Net实现了最先进的性能上的合成形状数据集，真实世界的室内和室外场景数据集。代码、数据和预训练模型都是公开的。
2022-10-13 cs.CV
Refine-Net: Normal Refinement Neural Network for Noisy Point Clouds
Nanjing University（南京大学）；Nanjing University of Aeronautics and Astronautics（南京航空航天大学）；Lingnan University（岭南大学）；The Hong Kong Polytechnic University（香港理工大学）；Ryerson University（瑞尔森大学）
点法向作为3D对象的固有几何属性，不仅可以用于表面合并和重建等传统几何任务，还可以促进基于学习的尖端技术用于形状分析和生成。在本文中，我们提出了一个正常的细化网络，称为细化网络，预测准确的法线噪声点云。传统的正态估计智慧在很大程度上依赖于先验知识，如表面形状或噪声分布，而基于学习的解决方案只适用于单一类型的手工特征。因此，我们的网络旨在通过从多个特征表示中提取额外信息来细化每个点的初始法线。为此，开发了几个功能模块，并通过一个新的连接模块将其纳入Refine-Net。除了Refine-Net的整体网络结构外，我们还提出了一种新的多尺度拟合块选择方案，用于初始法向估计，通过吸收几何领域的知识。此外，Refine-Net是一个通用的法线估计框架：1）从其他方法获得的点法线可以进一步细化，2）与表面几何结构相关的任何特征模块都可以潜在地集成到框架中。定性和定量评估表明，Refine-Net在合成和实时扫描数据集上都具有明显的优越性。我们的代码可在https://github.com/hrzhou2/refinenet上获得。
2022-03-23 cs.CV
GeoGCN: Geometric Dual-domain Graph Convolution Network for Point Cloud Denoising
Nanjing University of Aeronautics and Astronautics（南京航空航天大学）；Lingnan University（岭南大学）；Hong Kong Metropolitan University（香港都会大学）
我们提出了GeoGCN，一种新的几何双域图卷积网络的点云去噪（PCD）。超越传统的PCD智慧，充分利用点云的几何信息，我们定义了两种表面法线，一种是真正的法线（RN），另一种是虚拟法线（VN）。RN保留了噪声点云的局部细节，而VN避免了去噪过程中的全局形状收缩。GeoGCN是一种新的PCD范式，1）首先通过基于空间的GCN在VN的帮助下回归点位置，2）然后通过对回归点执行主成分分析来估计初始RN，3）最后通过基于法线的GCN回归精细RN。与现有的PCD方法不同，GeoGCN不仅利用了两种几何专业知识（即，RN和VN），而且还受益于训练数据。实验验证了GeoGCN在噪声鲁棒性和局部和全局特征保留方面优于SOTA。
2022-10-28 cs.CV
OCMG-Net: Neural Oriented Normal Refinement for Unstructured Point Clouds
Institute of Automation, CAS（中国科学院自动化研究所）；Hong Kong Institute of Science & Innovation Chinese Academy of Sciences（中国科学院香港创新研究院）；Academy of Mathematics and Systems Science, CAS（中国科学院数学与系统科学研究院）
OCMG-Net提出一种点云定向法线精化框架，通过特征空间符号定向与数据增强、Chamfer Normal Distance度量及双并行架构，在效率与精度间取得平衡并提升抗噪性。
2024-09-02 cs.CV
Window Normalization: Enhancing Point Cloud Understanding by Unifying Inconsistent Point Densities
Northeastern University（东北大学）；Beijing Eyecool Technology Co., Ltd.（北京眼神科技有限公司）
降采样和特征提取是三维点云理解的重要步骤。现有的方法受到点云中不同部分的点密度不一致的限制。在这项工作中，我们分析了下采样阶段的局限性，并提出了预抽象组的窗口归一化模块。特别地，利用窗口归一化方法来统一不同部分中的点密度。此外，提出了分组策略，以获得多类型的功能，包括纹理和空间信息。我们还提出了预抽象模块来平衡局部和全局特征。大量的实验表明，我们的模块执行更好的几个任务。在S3 DIS（Area 5）的分割任务中，该模块在小目标识别上表现更好，且结果具有更精确的边界。对沙发和柱子的识别率分别从69.2%提高到84.4%和42.7%提高到48.7%。基准从71.7%/77.6%/91.9%（mIoU/mAcc/OA）提高到72.2%/78.2%/91.4%。在S3 DIS上进行6重交叉验证的准确率分别为77.6%/85.8%/91.7%。它在mIoU上的表现比最好的型号PointNeXt-XL（74.9%/83.0%/90.3%）高出2.7%，达到了最先进的性能。代码和模型可在https://github.com/DBDXSS/Window-Normalization.git上获得。
2022-12-05 cs.CV
Point Deformable Network with Enhanced Normal Embedding for Point Cloud Analysis
Xidian University（西安电子科技大学）；Chongqing University of Posts and Telecommunications（重庆邮电大学）
本文提出PDNet，一种基于MLP的点云分析网络，通过可变形聚合模块捕获长距离依赖，并引入增强法向嵌入提升单点表示，在多个基准上验证了其优越性。
2023-12-20 cs.CV
Teacher-Student Network for 3D Point Cloud Anomaly Detection with Few Normal Samples
University of Fukui（福井大学）；Niigata University（新潟大学）
本文提出一种教师-学生网络模型，利用特征对齐和多尺度损失，仅需少量正常样本即可实现高效的3D点云异常检测，在ShapeNet-Part数据集上优于现有方法。
2023-05-09 cs.CV
Generic Primitive Detection in Point Clouds Using Novel Minimal Quadric Fits
Technical University of Munich（慕尼黑工业大学）；Siemens AG（西门子股份公司）；Framos GmbH（弗拉莫斯有限责任公司）；INRIA（法国国家信息与自动化研究所）
我们提出了一种新的和有效的方法来检测3D图元在杂乱，无组织的点云，没有腋窝分割或类型规范。我们认为二次曲面封装我们的环境的基本构建块-平面，球体，椭球体，圆锥体或圆柱体，在一个统一的方式。此外，二次曲面允许我们对更高自由度的形状进行建模，例如可以在非刚性设置中使用的双曲面或抛物面。我们首先贡献两个新的二次拟合目标的3D点集，赋予切线空间信息。基于将二次曲面梯度与曲面法线对齐的想法，我们的第一个公式是精确的，并且需要低至四个定向点。第二个拟合近似于第一个拟合，并减少了计算工作量。我们从理论上分析这些符合严格，并给出代数和几何参数。接下来，通过重新参数化的解决方案，我们设计了一个新的本地Hough投票方案的零空间系数，结合RANSAC，减少复杂性从$O(N^4)$到$O(N^3)$（三点）。据我们所知，这是第一种能够在困难场景中执行通用交叉型多对象基元检测而无需分割的方法。我们广泛的定性和定量的结果表明，我们的方法是有效的，灵活的，以及是准确的。
2019-01-04 cs.CG cs.CV cs.GR
Sampling Superquadric Point Clouds with Normals
超二次曲面提供了常见形状的紧凑表示，并已用于计算机图形学中的对象/表面建模以及计算机视觉和机器人技术中的对象部分表示。超二次曲面指的是一类形状：这里我们讨论超椭球面和超抛物面。由于方程中涉及的强非线性，通过从参数公式直接采样的简单方法无法实现均匀或接近均匀的采样。这对于更多的“立方”超二次曲面（形状参数接近$0.1$）尤其如此。我们以前的解决方案的2D接近均匀的均匀采样的超椭圆体（3D）的情况下，并得出我们自己的超抛物面。此外，我们能够为每个采样点提供法线。据我们所知，这是第一个完整的方法接近均匀采样的超椭球和超抛物面在一个单一的框架。我们目前的推导，伪代码和定性和定量的结果，使用我们的代码，这是在线提供。
2018-02-14 cs.CV
AziNorm: Exploiting the Radial Symmetry of Point Cloud for Azimuth-Normalized 3D Perception
Huazhong University of Science & Technology（华中科技大学）；Horizon Robotics（地平线机器人）
研究数据的内在对称性在机器学习中具有重要意义。点云作为三维环境感知中最重要的数据格式，具有很强的径向对称性。在这项工作中，我们通过分而治之的策略利用这种径向对称性来提高3D感知性能并简化优化。我们提出了方位角归一化（AziNorm），它沿径向对点云进行归一化，消除了方位角差异带来的变化。AziNorm可以灵活地集成到大多数基于LiDAR的感知方法中。为了验证其有效性和推广能力，我们将AziNorm应用于目标检测和语义分割。为了检测，我们将AziNorm集成到两种代表性的检测方法中，一级SECOND检测器和最先进的两级PV-RCNN检测器。在Waymo Open Dataset上的实验表明，AziNorm将SECOND和PV-RCNN分别提高了7.03 mAPH和3.01 mAPH。对于分割，我们将AziNorm集成到KPConv中。在SemanticKitti数据集上，AziNorm在val/test集上将KPConv提高了1.6/1.1 mIoU。此外，AziNorm显著提高了数据效率，加快了收敛速度，将数据量或训练时期的要求降低了一个数量级。SECOND w/ AziNorm可以显著优于完全训练的vanilla SECOND，即使只训练了10%的数据或10%的epoch。代码和模型可在https://github.com/hustvl/AziNorm上获得。
2022-03-24 cs.CV
PO3AD: Predicting Point Offsets toward Better 3D Point Cloud Anomaly Detection
School of Advanced Technology, Xi’an Jiaotong-Liverpool University（西交利物浦大学先进技术学院）；School of Electrical Engineering, Electronics and Computer Science, University of Liverpool（利物浦大学电气工程、电子与计算机科学学院）；Data Science Research Center, Duke Kunshan University（昆山杜克大学数据科学研究中心）
针对无异常设置下的3D点云异常检测，提出PO3AD方法，通过预测点偏移聚焦伪异常点，并设计法向量引导的增强技术，在Anomaly-ShapeNet和Real3D-AD上分别提升AUC-ROC 9.0%和1.4%。
2024-12-17 cs.CV
Instance-incremental Scene Graph Generation from Real-world Point Clouds via Normalizing Flows
Beijing University of Posts and Telecommunications（北京邮电大学）；China Academy of Railway Sciences Corporation Limited（中国铁道科学研究院集团有限公司）
针对真实点云场景的实例增量式场景图生成任务，提出基于归一化流的3D自回归框架3D-ANF，在室内外数据集上均取得最优性能，可支撑AR等应用的物体插入需求。
2023-08-28 cs.CV
PointNorm-Net: Self-Supervised Normal Prediction of 3D Point Clouds via Multi-Modal Distribution Estimation
School of Mathematics, Liaoning Normal University（辽宁师范大学数学学院）；School of Artificial Intelligence and Computer Science, Jiangnan University（江南大学人工智能与计算机科学学院）；Zhejiang University（浙江大学）；Zhejiang Lab（之江实验室）；School of Software, Shenyang University of Technology（沈阳工业大学软件学院）；School of Mathematical Sciences, University of Science and Technology of China（中国科学技术大学数学科学学院）；School of Mathematical Sciences, Dalian University of Technology（大连理工大学数学科学学院）
PointNorm-Net提出首个自监督三维点云法线预测框架，通过三阶段多模态法线分布估计范式解决合成与真实数据域差距问题，在多个真实数据集上超越现有方法。
2025-04-09 cs.CV
$p$-Poisson surface reconstruction in curl-free flow from point clouds
Seoul National University（首尔大学）；Slovak University of Technology in Bratislava（布拉迪斯拉发斯洛伐克工业大学）
本文提出利用 p-Poisson 方程学习有符号距离函数，并通过变量分裂与无旋约束从点云中稳健重建高质量曲面，无需真实隐式值或法向量。
2023-10-31 cs.CG cs.CV math-ph
Geometric Attention for Prediction of Differential Properties in 3D Point Clouds
Skolkovo Institute of Science and Technology（斯科尔科沃科学技术研究院）；New York University（纽约大学）
离散三维数据表示中微分几何量的估计是几何处理流水线中的关键步骤之一。具体来说，从原始点云估计法线和尖锐的特征线有助于提高网格质量，并允许我们使用更精确的表面重建技术。当设计一个可学习的方法来解决这些问题时，主要的困难是在点云中选择邻域并结合点之间的几何关系。在这项研究中，我们提出了一个几何注意力机制，可以提供这样的属性在一个可学习的方式。我们建立了有用的建议的技术与几个实验的预测法向量和提取的特征线。
2020-08-06 cs.CV
GaussianPainter: Painting Point Cloud into 3D Gaussians with Normal Guidance
Beihang University（北京航空航天大学）；The Chinese University of Hong Kong（香港中文大学）；Chinese Academy of Sciences（中国科学院）；Centre for Perceptual and Interactive Intelligence（感知与交互智能研究中心）
提出GaussianPainter，通过法线引导和外观注入模块，在单次前向传递中高效将点云绘制为高质量3D高斯，解决参数空间非唯一性问题。
2024-12-23 cs.CV
OffsetOPT: Explicit Surface Reconstruction without Normals
AIML, University of Adelaide（阿德莱德大学AIML（人工智能与机器学习实验室））
针对现有神经曲面重建方法依赖高质量法向量的问题，提出OffsetOPT方法，通过两阶段网络直接从3D点云重建显式曲面，在多类基准上实现了更优的重建效果与尖锐特征保留能力。
2025-03-20 cs.CV
Graph-based Point Cloud Surface Reconstruction using B-Splines
University of Antwerp（安特卫普大学）
本文提出基于字典引导图卷积网络的曲面重建方法，在不依赖点法线的情况下同时预测B样条控制点的位置和数量，以处理含噪点云并生成平滑曲面，实验表明其性能优于现有基线。
2025-09-19 cs.CV
PFF-Net: Patch Feature Fitting for Point Cloud Normal Estimation
School of Computing and Artificial Intelligence, Southwest Jiaotong University（计算机与人工智能学院，西南交通大学）；School of Computer and Software Engineering, Xihua University（计算机与软件工程学院，西华大学）；School of Software, Tsinghua University（软件学院，清华大学）；Kuaishou Technology（快手科技）；Center for Artificial Intelligence and Robotics, New York University Abu Dhabi（人工智能与机器人中心，纽约大学阿布扎克校区）；Department of Computer Science, Wayne State University（计算机科学系，韦恩州立大学）
PFF-Net通过多尺度特征融合和聚合，实现点云法向量估计的高效准确预测。
2025-11-26 cs.CV
Learning Normals of Noisy Points by Local Gradient-Aware Surface Filtering
Southwest Jiaotong University（西南交通大学）；Xihua University（西华大学）；Tsinghua University（清华大学）
本文提出一种基于局部梯度感知的表面过滤方法，用于从噪声点云中学习法线，通过隐式函数和投影约束提升法线估计和表面重建性能。
2025-11-26 cs.CV
Deep Feature-preserving Normal Estimation for Point Cloud Filtering
Nanjing University of Aeronautics and Astronautics（南京航空航天大学）；Deakin University（迪肯大学）
点云滤波是三维领域的一个基本问题，其主要瓶颈是在去除噪声（离群点）的同时保持几何特征。两步计划，包括正常的估计和位置更新已被证明产生有前途的结果。然而，目前的正常估计方法，包括优化方法和深度学习方法，通常要么具有有限的自动化，要么不能保持尖锐的特征。本文提出了一种新的保持几何特征的点云滤波法向估计方法。它是一种学习方法，因此实现了法线的自动预测。在训练阶段，我们首先生成基于补丁的样本，然后将其输入到分类网络中对特征点和非特征点进行分类。最后分别对特征点和非特征点样本进行训练，取得了较好的效果。关于测试，给定噪声点云，可以自动估计其法线。对于进一步的点云滤波，我们对上述法线估计和当前位置更新算法进行了几次迭代。各种实验表明，我们的方法优于国家的最先进的正常估计方法和点云滤波技术，在质量和数量方面。
2020-04-24 cs.CV cs.GR
Reconstructing Surfaces for Sparse Point Clouds with On-Surface Priors
Tsinghua University（清华大学）；Wayne State University（韦恩州立大学）
从三维点云数据重建曲面是一项重要的任务。目前的方法能够通过从单点云学习有符号距离函数（SDF）来重建表面，而无需地面真值有符号距离或点法线。然而，它们要求点云是密集的，这极大地限制了它们在实际应用中的性能。为了解决这个问题，我们建议从稀疏点云重建高精度的表面与表面先验。我们训练一个神经网络，通过将查询投影到由稀疏点云表示的表面上来学习SDF。我们的主要思想是通过将查询投影推到表面上并将投影距离推到最小值来推断有符号距离。为了实现这一点，我们训练一个神经网络来捕获表面上的点，然后确定一个点是否在稀疏点云上，然后利用它作为一个可微函数从看不见的稀疏点云中学习SDF。我们的方法可以从单个稀疏点云中学习SDF，而无需地面真值符号距离或点法线。在广泛使用的基准下，我们的数值评估表明，我们的方法达到了最先进的重建精度，特别是对于稀疏点云。
2022-04-22 cs.CV
PC$^2$-AD: Point Cloud Upsampling to Safeguard 3D Anomaly Detection with Resolution-constrained Edge Devices
Shenzhen University WeBank Institute of Finance, Shenzhen University（深圳大学微众银行金融科技学院）；School of Computer Science, Wuhan University（武汉大学计算机学院）；Shenzhen Audencia Financial Technology Institute, Shenzhen University（深圳大学深圳南特金融科技学院）；Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）；School of Artificial Intelligence, Shenzhen University（深圳大学人工智能学院）
针对边缘低分辨率传感器导致的点云稀疏问题，提出PC$^2$-AD上采样框架，通过候选生成、过滤与补偿，提升3D异常检测性能，实验验证了其有效性。
2026-09-15 cs.CV
