TriVol: Point Cloud Rendering via Triple Volumes
The Chinese University of Hong Kong(香港中文大学);SmartMore(思谋科技)
现有的基于学习的点云绘制方法采用多种三维表示和特征查询机制来缓解点云的稀疏性问题。然而,由于从点云中提取连续和有区别的3D特征的挑战,伪影仍然出现在渲染图像中。在本文中,我们提出了一个密集而轻量级的3D表示,名为Trilingual,可以与NeRF相结合,从点云渲染照片般逼真的图像。我们的Triangle由三个超薄体积组成,每个体积都是从点云编码的。Trilogy有两个优点。首先,它融合不同尺度的各个领域,从而提取局部和非局部特征进行区分表示。其次,由于体积大小大大减小,我们的3D解码器可以有效地推断,允许我们增加3D空间的分辨率以渲染更多的点细节。在不同的基准上进行了大量的实验,不同种类的场景/对象证明了我们的框架与现有方法相比的有效性。此外,我们的框架具有出色的泛化能力,无需微调即可渲染一类场景/对象。
2023-03-29 cs.CV
Discriminative and Generative Models for Anatomical Shape Analysison Point Clouds with Deep Neural Networks
LMU Munich(慕尼黑大学)
我们引入深度神经网络来分析解剖形状,从给定的任务中学习低维形状表示,而不是依赖于手工设计的表示。我们的框架是模块化的,由几个计算块,执行基本的形状处理任务。网络在无序的点云上运行,并为相似性变换提供不变性,从而避免了识别形状之间的点对应关系的需要。基于该框架,我们组装了一个判别模型的疾病分类和年龄回归,以及生成模型的累积重建的形状。特别是,我们提出了一个条件生成模型,其中的条件向量提供了一种机制来控制生成过程。例如,当将其作为辅助信息传递时,它能够评估特定于特定诊断的形状变化。在处理单个形状之后,我们引入了多个解剖结构的联合分析的扩展,其中多个结构的同时建模可以导致更紧凑的编码和更好地理解疾病。我们展示了我们的框架在真实和合成数据的综合实验的优势。关键的见解是:(i)学习特定于给定任务的形状表示比其他形状描述符产生更高的性能,(ii)多结构分析比单结构分析更有效,更准确,以及(iii)我们的模型生成的点云捕获与阿尔茨海默病相关的形态差异,以至于它们可以用于训练用于疾病分类的判别模型。我们的框架自然地扩展到大型数据集的分析,使其有可能在大规模人群中学习特征变化。
2020-10-02 cs.CV cs.LG
PointGame: Geometrically and Adaptively Masked Auto-Encoder on Point Clouds
Nanjing University of Aeronautics and Astronautics(南京航空航天大学);Bournemouth University(伯恩茅斯大学);Alan Turing Institute(艾伦·图灵研究所)
自监督学习在点云理解中受到广泛关注。然而,由于其不规则性和稀疏性,探索区分性和可转移性特征仍然具有挑战性。我们提出了一个几何和自适应掩蔽自动编码器的自监督学习点云,称为\textit{PointGame}。PointGame包含两个核心组件:GATE和EAT。GATE代表几何和自适应标记嵌入模块;它不仅吸收了有效捕获表面形状的几何描述符的传统智慧,而且还利用自适应显着性来关注点云的显着部分。EAT代表具有线性计算复杂性的基于外部注意力的Transformer编码器,其提高了整个流水线的效率。与尖端的无监督学习模型不同,PointGame利用几何描述符来感知表面形状,并自适应地从训练数据中挖掘出有区别的特征。在全球和本地微调策略下,PointGame在各种下游任务上都表现出明显的优势。代码和预训练模型将公开提供。
2023-03-23 cs.CV
CP-Net: Contour-Perturbed Reconstruction Network for Self-Supervised Point Cloud Learning
University of Chinese Academy of Sciences(中国科学院大学);Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences(中国科学院深圳先进技术研究院);Alibaba Damo Academy(阿里巴巴达摩院);South China University of Technology(华南理工大学)
自监督学习尚未被充分探索用于点云分析。目前的框架主要是基于点云重建。仅给定3D坐标,这样的方法倾向于学习局部几何结构和轮廓,而不能理解高级语义内容。因此,它们在下游任务(如分类,分割等)中的性能不理想。为了填补这一空白,我们提出了一种通用的轮廓扰动重建网络(CP-Net),它可以有效地引导自监督重建来学习点云中的语义内容,从而提高点云表示的区分能力。首先,我们介绍了一个简洁的轮廓扰动增强模块的点云重建。在几何解缠的指导下,将点云分为轮廓分量和内容分量。随后,我们扰动的轮廓组件,并保留点云上的内容组件。因此,自我监督者可以有效地专注于语义内容,通过重建原始点云从这样的扰动。其次,我们使用这个扰动重建作为一个辅助分支,通过一个明显的双分支一致性损失指导基本重建分支的学习。在这种情况下,我们的CP-Net不仅可以捕获结构轮廓,还可以学习用于区分下游任务的语义内容。最后,我们进行了大量的点云基准测试的实验。部分分割结果表明,我们的CP-Net(mIoU的81.5%)优于以前的自监督模型,并缩小了与完全监督方法的差距。对于分类,我们在ModelNet 40(92.5%的准确率)和ScanObjectNN(87.9%的准确率)上获得了与全监督方法竞争的结果。代码和模型将在之后发布。
2022-03-28 cs.CV
Reliable Inlier Evaluation for Unsupervised Point Cloud Registration
Nanjing University of Science and Technology(南京理工大学)
无监督点云配准算法在部分重叠问题中,由于缺乏有效的内点评价,配准精度往往不高。提出了一种基于邻域一致性的可靠内点评价方法,用于点云配准。期望捕获源邻域和对应的伪目标邻域之间的区别性几何差异以用于有效的内点区分。具体来说,我们的模型包括一个匹配映射细化模块和一个内点评估模块。在匹配图细化模块中,我们通过将相邻点的匹配得分整合到匹配图中来改进逐点匹配图估计,聚合的相邻点信息可能有助于区分图的构建,从而可以为生成伪目标点云提供高质量的对应关系。基于观察到离群点在其源邻域和对应的伪目标邻域之间具有显著的结构方面的差异,而对于内点的这种差异很小,内点评估模块利用这种差异来对每个估计的对应性的内点置信度进行评分。特别是,我们构建了一个有效的图形表示捕捉这种几何差异的邻居。最后,利用学习到的对应关系和相应的内点置信度,我们使用加权SVD算法进行变换估计。在无监督的情况下,我们利用基于Huber函数的全局对齐损失,局部邻域一致性损失和空间一致性损失进行模型优化。在大量数据集上的实验结果表明,我们的无监督点云配准方法可以产生相当的性能。
2022-02-23 cs.CV
ContrastMotion: Self-supervised Scene Motion Learning for Large-Scale LiDAR Point Clouds
Nanjing University of Aeronautics and Astronautics(南京航空航天大学);Rhino(犀牛(公司));The Chinese University of Hong Kong(香港中文大学);OPPO Research Institute(OPPO研究院);Zhejiang Lab(之江实验室);ShanghaiTech University(上海科技大学)
该研究提出 ContrastMotion,通过 BEV pillar 的特征级一致性、Soft Discriminative Loss、门控多帧融合与 pillar association,实现 LiDAR 点云的自监督场景运动估计。
2023-04-25 cs.CV
Diffusion-Occ: 3D Point Cloud Completion via Occupancy Diffusion
提出 Diffusion-Occ 两阶段占用扩散框架,结合 CDNet、OccGen 与 PVF 实现由粗到细的三维点云补全,并支持高效一步采样。
2024-09-09 cs.CV
Cloud Transformers: A Universal Approach To Point Cloud Processing Tasks
Samsung AI Center Moscow(三星莫斯科人工智能中心);Skolkovo Institute of Science and Technology (Skoltech)(斯科尔科沃科学技术研究院(Skoltech));Yandex
我们提出了一个新的多功能构建块的深点云处理架构,同样适用于不同的任务。这个构建块将空间Transformers和多视图卷积网络的思想与二维和三维密集网格中标准卷积层的效率相结合。新的块通过多个平行的头进行操作,而每个头将各个点的特征表示可区分地光栅化到低维空间中,然后使用密集卷积来跨点传播信息。然后将各个头部的处理结果组合在一起,从而更新点特征。使用新的块,我们建立了区分(点云分割,点云分类)和生成(点云修复和基于图像的点云重建)任务的架构。由此产生的架构实现了这些任务的最先进的性能,展示了点云处理的新块的多功能性。
2021-10-03 cs.CV
Point2Pix: Photo-Realistic Point Cloud Rendering via Neural Radiance Fields
The Chinese University of Hong Kong(香港中文大学);SmartMore(思谋科技)
由于点云表示的稀疏性,从点云合成照片级真实感图像是具有挑战性的。最近提出的神经辐射场和扩展用于从2D输入合成逼真的图像。在本文中,我们提出了Point2Pix作为一种新的点渲染器连接的3D稀疏点云与2D密集的图像像素。利用点云3D先验和NeRF渲染管道,我们的方法可以从彩色点云合成高质量的图像,通常用于新颖的室内场景。为了提高射线采样的效率,我们提出了点引导采样,它侧重于有效样本。此外,我们提出了点编码来构建多尺度辐射场,提供有区别的3D点特征。最后,我们提出了融合编码,以有效地合成高质量的图像。在ScanNet和ArkitScenes数据集上的大量实验证明了该方法的有效性和推广性。
2023-03-29 cs.CV
3D Point Cloud Descriptors in Hand-crafted and Deep Learning Age: State-of-the-Art
College of Computer and Information Science, Southwest University(西南大学计算机与信息科学学院);Deakin University(迪肯大学)
随着廉价的三维数据采集设备的出现,三维点云数据的广泛应用和普及受到了广泛的关注,而如何有效地提取新的三维点云描述符以提高三维计算机视觉任务的效率和准确性成为近年来的研究热点。然而,如何从3D点云开发具有鉴别力和鲁棒性的特征描述符仍然是一个具有挑战性的任务,由于其固有的特性。在本文中,我们给出了一个全面深入的调查现有的三维点云描述符。根据描述符的先进性,这些方法主要可以分为两类:基于手工制作的方法和基于深度学习的方法,我们将从精细分类的角度进一步讨论它们的优点和局限性。最后,对三维点云描述子提取的未来研究方向进行了展望。
2020-07-27 cs.CV
3DContextNet: K-d Tree Guided Hierarchical Learning of Point Clouds Using Local and Global Contextual Cues
University of Amsterdam(阿姆斯特丹大学)
三维点云的分类与分割是计算机视觉中的重要任务。由于点云的不规则性质,大多数现有方法在将点云用作ConvNets的输入之前将其转换为规则的3D体素网格。不幸的是,体素表示对3D数据的几何性质高度不敏感。最近的方法将点云编码为更高维的特征以覆盖全局3D空间。然而,这些模型不能充分捕捉点云的局部结构。因此,在本文中,我们提出了一种方法,利用本地和全球的上下文线索所施加的k-d树。该方法被设计为沿着树结构逐步学习表示向量。挑战性基准测试的实验表明,该模型提供了区分点集特征。对于三维场景语义分割的任务,我们的方法显着优于国家的最先进的斯坦福大学大规模三维室内空间数据集(S3 DIS)。
2018-12-04 cs.CV
DRIP: Discriminative Rotation-Invariant Pole Landmark Descriptor for 3D LiDAR Localization
University of Fukui(福井大学)
针对3D LiDAR自定位中杆状地标判别力不足的问题,提出融合ROI多模态特征、旋转不变CNN与无监督杆词压缩的DRIP描述符,并在NCLT上验证其可提升先进杆状定位框架性能。
2024-06-17 cs.CV
Self-Contrastive Learning with Hard Negative Sampling for Self-supervised Point Cloud Learning
Wangxuan Institute of Computer Technology, Peking University(北京大学王选计算机研究所);Lane Department of Computer Science and Electrical Engineering, West Virginia University(西弗吉尼亚大学计算机科学与电气工程系)
点云越来越受到人们的关注。点云分析方法已经取得了重大进展,这往往需要昂贵的人工注释作为监督。为了解决这个问题,我们提出了一种新的自对比学习的自监督点云表示学习,旨在捕捉局部几何模式和非局部语义基元的基础上的点云的非局部自相似性。贡献是双重的:一方面,而不是在对比学习中常用的不同点云之间进行对比,我们利用单个点云内的自相似点云补丁作为正样本,否则为负样本,以促进对比学习的任务。另一方面,我们主动学习接近正样本的硬负样本,以进行区分性特征学习。实验结果表明,该方法在自监督点云分割和迁移学习分类方面具有良好的性能。
2021-08-29 cs.CV
Improving Point Cloud Based Place Recognition with Ranking-based Loss and Large Batch Training
Warsaw University of Technology(华沙理工大学)
本文提出了一种简单有效的基于学习的方法来计算一个有区别的三维点云描述符的地方识别的目的。最近的最先进的方法具有相对复杂的架构,例如与特征聚合模块的金字塔相结合的点Transformers的多尺度金字塔。我们的方法使用一个简单而有效的3D卷积特征提取,基于稀疏体素化表示,增强与通道注意块。我们采用图像检索的最新进展,并提出了一个修改后的版本的损失函数的基础上可微的平均精度近似。这种损失函数需要以非常大的批量进行训练以获得最佳结果。这是通过使用多级反向传播实现的。在流行的基准测试上的实验评估证明了我们的方法的有效性,与最先进的状态一致的改进
2022-04-07 cs.CV
PointSmile: Point Self-supervised Learning via Curriculum Mutual Information
School of Computer Science and Technology, Nanjing University of Aeronautics and Astronautics(南京航空航天大学计算机科学与技术学院)
针对点云稀疏不规则导致难获判别可迁移特征的问题,提出无重构的PointSmile自监督范式,通过课程数据增强和特征、类别层面课程互信息最大化学习特征,在分类分割任务上性能优于现有自监督方法且可比肩全监督方法。
2023-01-30 cs.CV
CP3: Unifying Point Cloud Completion by Pretrain-Prompt-Predict Paradigm
Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences(中国科学院深圳先进技术研究院);University of Chinese Academy of Sciences(中国科学院大学);Shanghai AI Laboratory(上海人工智能实验室)
点云补全的目的是从其部分观测预测完整的形状。目前的方法主要包括生成和细化阶段的粗到细的风格。然而,生成阶段往往缺乏鲁棒性,以解决不同的不完整的变化,而细化阶段盲目恢复点云没有语义意识。为了应对这些挑战,我们通过通用的预训练-提示-预测范式(即CP 3)统一了点云完成。受自然语言处理中提示方法的启发,我们创造性地将点云生成和细化分别解释为提示和预测阶段。然后,我们在提示之前引入了一个简洁的自我监督预训练阶段。该算法通过一个不完整性(IOI)任务,有效地提高了点云生成的鲁棒性。此外,我们开发了一种新的语义条件求精(SCR)网络在预测阶段。它可以在语义的指导下有区别地调整多尺度精化。最后,大量的实验表明,我们的CP 3优于国家的最先进的方法有很大的利润。
2022-11-14 cs.CV
Pairwise Point Cloud Registration using Graph Matching and Rotation-invariant Features
Technical University of Munich(慕尼黑工业大学);The Hong Kong Polytechnic University(香港理工大学);Tongji University(同济大学)
配准是点云处理中的一项基本而关键的任务,它通常依赖于从两个点云中找到元素对应。然而,找到可靠的对应关系依赖于建立一个强大的和有区别的描述元素和正确匹配的相应元素。在这封信中,我们开发了一种由粗到细的配准策略,该策略利用旋转不变特征和一种新的加权图匹配方法来迭代查找对应关系。在图匹配方法中,利用欧氏空间和特征空间中节点和边的相似度来构造优化函数。所提出的策略进行评估,使用两个基准数据集,并与几个国家的最先进的方法进行比较。关于实验结果,我们提出的方法可以实现一个精细的注册与旋转误差小于0.2度和平移误差小于0.1米。
2021-05-05 cs.CV
PointNetVLAD: Deep Point Cloud Based Retrieval for Large-Scale Place Recognition
National University of Singapore(新加坡国立大学)
与基于图像的检索不同,基于点云的位置识别检索一直是一个未探索和未解决的问题。这在很大程度上是由于难以从点云中提取局部特征描述符,随后可以将其编码为用于检索任务的全局描述符。在本文中,我们提出了PointNetVLAD,利用深度网络最近的成功来解决基于点云的位置识别检索。具体来说,我们的PointNetVLAD是现有PointNet和NetVLAD的组合/修改,它允许端到端的训练和推理,从给定的3D点云中提取全局描述符。此外,我们提出了“懒惰的三元组和四元组”的损失函数,可以实现更多的歧视性和概括性的全局描述符,以解决检索任务。我们创建基准数据集的点云检索的位置识别,这些数据集上的实验结果表明,我们的PointNetVLAD的可行性。我们的代码和基准数据集下载的链接可以在我们的项目网站上找到。http://github.com/mikacuy/pointnetvlad/
2018-05-16 cs.CV
End-to-End Learning Local Multi-view Descriptors for 3D Point Clouds
HKUST(香港科技大学);Alibaba A.I. Labs(阿里巴巴人工智能实验室);City University of Hong Kong(香港城市大学);Simon Fraser University(西蒙弗雷泽大学)
在这项工作中,我们提出了一个端到端的框架来学习本地多视图描述符的三维点云。为了采用类似的多视图表示,现有的研究在预处理阶段使用手工制作的视点进行渲染,该预处理阶段与随后的描述符学习阶段分离。在我们的框架中,我们集成到神经网络的多视图渲染,通过使用一个可微分的渲染器,它允许的观点是可优化的参数,以捕捉更多的信息本地上下文的兴趣点。为了获得有区别的描述符,我们还设计了一个软视图池模块来专注地融合视图间的卷积特征。在现有的3D配准基准上进行的大量实验表明,我们的方法在定量和定性上都优于现有的局部描述符。
2020-03-16 cs.CV
Refine Then Fusion: Training-Free 3D Point Cloud Adaptation with Priority Refinement and Multi-Modal Knowledge Fusion
Tsinghua Shenzhen International Graduate School, Tsinghua University(清华大学深圳国际研究生院)
针对少样本三维点云识别中多模态特征冗余与模态可靠性差异问题,提出无训练框架RTF,通过优先级通道精炼和可靠性感知融合实现自适应多模态聚合,在五个基准上达到最先进性能。
2026-09-21 cs.CV
No-Reference Point Cloud Quality Assessment via Domain Adaptation
Cooperative Medianet Innovation Center, Shanghai Jiao Tong University(上海交通大学协同媒体创新中心)
本文提出了一种新的无参考点云质量评价方法--图像传输点云质量评价(IT-PCQA)。对于质量评估,深度神经网络(DNN)在无参考指标设计上表现出令人信服的性能。然而,无参考PCQA最具挑战性的问题是我们缺乏大规模的主观数据库来驱动强大的网络。我们的动机是,人类视觉系统(HVS)是决策者,无论是什么类型的媒体质量评估。利用自然图像丰富的主观评分,我们可以通过DNN寻求人类感知的评价标准,并将预测能力转移到3D点云上。特别地,我们将自然图像作为源域,将点云作为目标域,并通过无监督对抗领域自适应来推断点云质量。为了提取有效的潜在特征并最小化域差异,我们提出了一个分层特征编码器和一个条件判别网络。考虑到最终目的是回归客观分数,在条件判别网络中引入一种新的条件交叉熵损失,对影响质量回归网络收敛的负样本进行惩罚。实验结果表明,该方法可以获得比传统的无参考度量更高的性能,甚至与全参考度量相当的结果。所提出的方法还表明了评估特定媒体内容的质量而无需昂贵且繁琐的主观评估的可行性。代码可在https://github.com/Qi-Yangsjtu/IT-PCQA上获得。
2022-03-11 cs.CV eess.IV
Masked Discrimination for Self-Supervised Learning on Point Clouds
University of Wisconsin–Madison(威斯康星大学麦迪逊分校)
掩蔽自动编码在图像和语言领域的自监督学习中取得了巨大的成功。然而,基于掩码的预训练尚未显示出对点云理解的好处,这可能是由于PointNet等标准骨干无法正确处理训练期间掩码引入的训练与测试分布不匹配。在本文中,我们提出了一个区别性的面具预训练Transformer框架,MaskPoint},点云弥合这一差距。我们的主要思想是将点云表示为离散的占用值(如果是点云的一部分,则为1;如果不是,则为0),并在掩蔽的对象点和采样的噪声点之间执行简单的二进制分类作为代理任务。通过这种方式,我们的方法对点云中的点采样方差具有鲁棒性,并且有助于学习丰富的表示。我们在几个下游任务中评估了我们的预训练模型,包括3D形状分类,分割和实字目标检测,并展示了最先进的结果,同时实现了显着的预训练加速(例如,ScanNet上的4.1x)与现有最先进的Transformer基线相比。代码可在https://github.com/haotian-liu/MaskPoint上获得。
2022-08-01 cs.CV
Learning and Matching Multi-View Descriptors for Registration of Point Clouds
Hong Kong University of Science and Technology(香港科技大学);Shenzhen Zhuke Innovation Technology(深圳珠科创新技术)
点云配准的关键是在3D空间中的点之间建立一组精确的对应关系。对应性问题通常一方面通过设计有区别的3D局部描述符来解决,另一方面通过开发鲁棒的匹配策略来解决。在这项工作中,我们首先提出了一个多视图局部描述符,这是从多个视图的图像学习,用于描述3D关键点。然后,我们开发了一个强大的匹配方法,旨在拒绝离群匹配的基础上,通过定义的图形模型上的置信传播的有效推理。我们已经证明了我们的方法在公共扫描和多视图立体视觉数据集上注册的提升。通过对各种描述符和匹配方法的深入比较,验证了其优越的性能。
2023-02-27 cs.CV
Discriminative Optimization: Theory and Applications to Computer Vision Problems
Carnegie Mellon University(卡内基梅隆大学);Universidade de Lisboa(里斯本大学);Facebook Inc.(Facebook公司)
许多计算机视觉问题都可以归结为代价函数的优化问题。这种方法面临着两个主要挑战:(i)设计一个成本函数,局部最优的可接受的解决方案,以及(ii)开发一个有效的数值方法来搜索这些局部最优之一(或多个)。虽然在无噪声情况下设计这样的函数是可行的,但在噪声、遮挡或缺失数据的情况下,局部最优解的稳定性和位置大多是未知的。在实践中,这可能会导致不期望的局部最优或在预期的地方没有局部最优。另一方面,高维空间中的数值优化算法通常是局部的,并且通常依赖于昂贵的一阶或二阶信息来指导搜索。为了克服这些限制,本文提出了判别优化(DO),一种从数据中学习搜索方向而不需要成本函数的方法。具体地,DO明确地学习搜索空间中的更新序列,该序列导致与期望的解相对应的静止点。我们提供了一个正式的分析DO,并说明其在三维点云配准,相机姿态估计和图像去噪的问题的好处。我们表明,DO执行的精度,鲁棒性扰动,和计算效率方面优于最先进的算法。
2017-07-13 cs.CV
FoldingNet: Point Cloud Auto-encoder via Deep Grid Deformation
Carnegie Mellon University(卡内基梅隆大学);Mitsubishi Electric Research Laboratories (MERL)(三菱电机研究实验室(MERL));Clemson University(克莱姆森大学)
最近的深度网络直接处理点集中的点,例如,PointNet已经成为点云监督学习任务的最新技术,如分类和分割。在这项工作中,提出了一种新的端到端深度自动编码器,以解决点云上的无监督学习挑战。在编码器端,基于图形的增强被强制执行,以提升PointNet之上的本地结构。然后,一种新的基于折叠的解码器将规范的2D网格变形到点云的底层3D对象表面上,即使对于具有精细结构的对象也实现了低重建误差。建议的解码器只使用约7%的解码器与全连接神经网络的参数,但导致更多的歧视性表示,实现更高的线性SVM分类精度比基准。此外,所提出的解码器结构示出,在理论上,是一个通用的架构,能够从一个2D网格重建任意的点云。我们的代码可在http://www.merl.com/research/license#FoldingNet上获得
2018-04-03 cs.CV
Contrastive Predictive Autoencoders for Dynamic Point Cloud Self-Supervised Learning
Shanghai Jiao Tong University(上海交通大学)
提出点云序列自监督新范式CPR,结合对比预测与重建任务协同学习时空表示,在多个基准上性能媲美监督方法且具强迁移能力。
2023-05-22 cs.CV
Mahalanobis k-NN: A Statistical Lens for Robust Point-Cloud Registrations
University of Wyoming(怀俄明大学)
提出 Mahalanobis k-NN 以建模局部邻域分布和表面几何,增强任意密度点云下的特征匹配,并可集成于 DCP、DeepUME,在配准与少样本分类基准上取得显著提升。
2025-01-07 cs.CV
Spectral-GANs for High-Resolution 3D Point-cloud Generation
点云由于其精确的形状描述和直接从距离扫描仪获取而成为视觉和图形任务的热门选择。这就需要能够合成和重建高质量的点云。用于3D数据的当前深度生成模型通常在简化表示(例如,体素化对象),并且不能处理点云中固有的冗余和不规则性。最近在3D点云生成方面的一些努力提供了有限的分辨率,并且其复杂性随着输出分辨率的增加而增加。在本文中,我们开发了一个原则性的方法来合成三维点云使用频谱域生成对抗网络(GAN)。我们的频谱表示是高度结构化的,并允许我们解开各种频带,从而简化了GAN模型的学习任务。与空间域生成方法相比,我们的公式允许我们以最小的计算开销生成任意数量的点的高分辨率点云。此外,我们提出了一个完全可微的块来从谱域变换到空间域并返回,从而使我们能够整合来自成熟空间模型的知识。我们证明了Spectral-GAN在点云生成任务中表现良好。此外,它可以以无监督的方式学习高度区分的表示,并可用于准确地重建3D对象。
2020-07-19 cs.CV
Leveraging Inlier Correspondences Proportion for Point Cloud Registration
DeepGlint(深瞐科技);Beihang University(北京航空航天大学);Shandong University(山东大学)
在基于特征学习的点云配准中,正确的对应关系构造对于后续的变换估计至关重要。然而,它仍然是一个挑战,从点云提取区分特征,特别是当输入是部分和不可区分的表面(平面,光滑表面等)组成。因此,在两个未对齐的点云之间精确匹配点的内点对应的比例超出满意度。出于这一动机,我们设计了几种技术,以提高基于特征学习的点云配准性能,利用内点对应比例:金字塔层次解码器,以表征点特征在多个尺度,一致的投票策略,以保持一致的对应关系和几何引导的编码模块,以考虑几何特征。基于上述技术,我们构建了几何引导的一致性网络(GCNet),并通过室内、室外和以对象为中心的合成数据集对GCNet进行了挑战。综合实验表明,GCNet的性能优于现有的配准方法,并且GCNet中使用的技术与模型无关,可以很容易地移植到其他基于特征的深度学习或传统配准方法中,并显着提高性能。该代码可在https://github.com/zhulf0804/NgeNet上获得。
2022-11-21 cs.CV
3DCTN: 3D Convolution-Transformer Network for Point Cloud Classification
University of Waterloo(滑铁卢大学);University of Oxford(牛津大学)
虽然准确和快速的点云分类是三维应用中的一项基本任务,但由于点云的不规则性和无序性,难以实现这一目的,这使得实现有效和高效的全局判别特征学习具有挑战性。最近,已经采用3D Transformers来改进点云处理。然而,大量的Transformer层往往会导致巨大的计算和内存成本。本文提出了一种新的分层框架,结合卷积与Transformer的点云分类,命名为三维卷积-Transformer网络(3DCTN),结合强大的和有效的局部特征学习能力的卷积和显着的全局上下文建模能力的Transformer。我们的方法有两个主要模块操作的下采样点集,每个模块由一个多尺度的局部特征聚合(LFA)块和一个全局特征学习(GFL)块,这是分别使用图卷积和Transformer实现。我们还对一系列Transformer变体进行了详细调查,以探索我们网络的更好性能。在ModelNet 40上的各种实验表明,我们的方法在准确性和效率方面都达到了最先进的分类性能。
2022-03-02 cs.CV
Attention Models for Point Clouds in Deep Learning: A Survey
Beijing Jiaotong University(北京交通大学)
近年来,三维点云在深度学习中的进步吸引了不同应用领域的深入研究,例如计算机视觉和机器人任务。然而,从无序和不规则的点云创建鲁棒的、有区别的特征表示是具有挑战性的。在本文中,我们的最终目标是提供一个全面的概述点云特征表示使用注意力模型。本文总结了近三年来在3D目标检测、3D语义分割、3D姿态估计、点云补全等方面的75多项关键研究成果,并对注意力机制的作用、注意力模型在不同任务中的可用性以及关键技术的发展趋势进行了详细的描述。
2021-02-22 cs.AI cs.CV
Dual-Branch Center-Surrounding Contrast: Rethinking Contrastive Learning for 3D Point Clouds
University of Science and Technology of China(中国科学技术大学);Shanghai Jiao Tong University(上海交通大学);Chinese University of Hong Kong(香港中文大学)
本文提出双分支中心-周围对比框架,通过双分支输入和补丁级对比损失,提升3D点云对比学习性能,达到SOTA效果。
2025-12-09 cs.CV
PCAN: 3D Attention Map Learning Using Contextual Information for Point Cloud Based Retrieval
Wuhan University(武汉大学)
基于点云检索的位置识别是视觉领域的一个新兴课题。主要的挑战是如何找到一种有效的方法来编码的局部特征到一个歧视性的全球描述符。在本文中,我们提出了一个点上下文注意力网络(PCAN),它可以预测每个局部点特征的重要性的基础上点上下文。我们的网络使得在聚合本地特征时能够更多地关注与任务相关的特征。在各种基准数据集上的实验表明,所提出的网络可以提供优于当前最先进的方法。
2019-04-22 cs.CV cs.RO
LPD-Net: 3D Point Cloud Learning for Large-Scale Place Recognition and Environment Analysis
The Chinese University of Hong Kong(香港中文大学);Carnegie Mellon University(卡内基梅隆大学);Shanghai Jiao Tong University(上海交通大学)
基于点云的位置识别仍然是一个悬而未决的问题,由于难以从原始的3D点云中提取局部特征和生成全局描述符,在大规模动态环境中更是困难。在本文中,我们开发了一种新的深度神经网络,命名为LPD-Net(大规模地点描述网络),它可以从原始的3D点云中提取有区别的和可概括的全局描述符。提出了自适应局部特征提取模块和基于图的邻域聚合模块,以端到端的方式提取大规模点云的局部结构,揭示局部特征的空间分布。我们在解决基于点云的检索任务中实现了所提出的全局描述符,以实现大规模的地点识别。比较结果表明,我们的LPD-Net比PointNetVLAD好得多,达到了最先进的水平。我们还将我们的LPD-Net与基于视觉的解决方案进行了比较,以显示我们的方法对不同天气和光照条件的鲁棒性。
2019-08-19 cs.CV
Multi-Angle Point Cloud-VAE: Unsupervised Feature Learning for 3D Point Clouds from Multiple Angles by Joint Self-Reconstruction and Half-to-Half Prediction
Tsinghua University(清华大学);University of Maryland, College Park(马里兰大学帕克分校);Beijing National Research Center for Information Science and Technology (BNRist)(北京信息科学与技术国家研究中心(BNRist))
点云的无监督特征学习对于大规模点云理解至关重要。最近的基于深度学习的方法依赖于从自重建中学习全局几何。然而,这些方法仍然受到局部几何的无效学习的影响,这显著限制了学习特征的可辨别性。为了解决这个问题,我们提出了MAP-VAE,使学习的全球和当地的几何形状,共同利用全球和当地的自我监督。为了实现有效的局部自我监督,我们引入了点云的多角度分析。在多角度场景中,我们首先从每个角度将点云分成前半部分和后半部分,然后训练MAP-VAE学习从相应的前半部分序列预测后半部分序列。MAP-VAE使用RNN执行这种半对半预测,同时学习每个局部几何形状及其之间的空间关系。此外,MAP-VAE还通过自重构来学习全局几何,其中我们采用变分约束来促进新形状的生成。在四个形状分析任务中的优异结果表明,MAP-VAE可以学习更多的判别全局或局部特征比国家的最先进的方法。
2019-07-30 cs.CV
Let Images Give You More:Point Cloud Cross-Modal Training for Shape Analysis
Shanghai University(上海大学)
虽然最近的点云分析取得了令人瞩目的进展,从单一的模态表示学习的范式逐渐遇到了瓶颈。在这项工作中,我们通过充分利用图像本身包含更丰富的外观信息,例如,质地、颜色和阴影。具体而言,本文介绍了一种简单但有效的点云跨模态训练(PointCMT)策略,该策略利用视图图像,即,渲染或投影3D对象的2D图像,以增强点云分析。在实践中,为了有效地从视图图像中获取辅助知识,我们开发了一个教师-学生框架,并将跨模态学习作为一个知识蒸馏问题。PointCMT通过新的特征和分类器增强标准消除了不同模态之间的分布差异,有效地避免了潜在的负迁移。请注意,PointCMT有效地改进了仅点表示,而无需修改架构。足够的实验验证了使用有吸引力的主干在各种数据集上的显著增益,即,配备PointCMT的PointNet++和PointMLP在两个基准测试中实现了最先进的性能,即,ModelNet 40和ScanObjectNN的准确率分别为94.4%和86.7%。代码将在https://github.com/ZhanHeshen/PointCMT上提供。
2022-10-09 cs.CV
Point Cloud Registration using Representative Overlapping Points
DeepGlint(深瞐科技);Shanghai Jiao Tong University(上海交通大学);Institute of Computing Technology, Chinese Academy of Sciences(中国科学院计算技术研究所)
三维点云配准是机器人学和计算机视觉中的一项基本任务。近年来,出现了许多基于学习的点云配准方法。然而,这些方法严重依赖于这样的对应关系,并遇到了很大的挑战与部分重叠。在本文中,我们提出了ROPNet,这是一种新的深度学习模型,使用具有区分特征的代表性重叠点进行配准,将部分到部分配准转换为部分到完整配准。具体来说,我们提出了一个上下文引导模块,它使用编码器来提取全局特征,用于预测点重叠分数。为了更好地找到有代表性的重叠点,我们使用提取的全局特征进行粗对齐。然后,我们引入了一个Transformer来丰富点的特征,并删除非代表点的基础上点重叠得分和特征匹配。采用部分到完全的方式建立相似度矩阵,最后采用加权奇异值分解估计变换矩阵。在ModelNet40上使用噪声和部分重叠的点云进行的大量实验表明,所提出的方法优于传统的基于学习的方法,实现了最先进的性能。该代码可在https://github.com/zhulf0804/ROPNet上获得。
2021-07-06 cs.CV
Global-Local Bidirectional Reasoning for Unsupervised Representation Learning of 3D Point Clouds
Tsinghua University(清华大学);Tsinghua Shenzhen International Graduate School, Tsinghua University(清华大学深圳国际研究生院)
一个对象的局部模式和全局模式是密切相关的。虽然对象的每个部分都是不完整的,但对象的底层属性在所有部分之间是共享的,这使得从单个部分推理整个对象成为可能。我们假设,一个强大的表示的3D对象应该模型的属性之间共享的部分和整个对象,并从其他对象区分。基于这一假设,我们提出了学习点云表示在不同的抽象层次和全球形状的局部结构之间的双向推理没有人的监督。在各种基准数据集上的实验结果表明,无监督学习的表示在区分能力,泛化能力和鲁棒性方面甚至优于监督表示。我们表明,未经监督训练的点云模型在下游分类任务上的表现优于有监督的点云模型。最值得注意的是,通过简单地增加SSG PointNet++的通道宽度,我们的无监督模型在合成和真实世界的3D对象分类数据集上都超越了最先进的监督方法。我们希望我们的观察提供了一个新的视角,从数据结构而不是人类注释中学习更好的表示来理解点云。
2020-03-29 cs.CV
A Robust and Reliable Point Cloud Recognition Network Under Rigid Transformation
School of Electronic Information and Electrical Engineering, Shanghai Jiao Tong University(上海交通大学电子信息与电气工程学院)
点云识别是工业机器人和自动驾驶中的一项重要任务。最近,几个点云处理模型已经取得了最先进的性能。然而,这些方法缺乏旋转鲁棒性,并且它们的性能在随机旋转下严重下降,未能扩展到具有不同方向的真实世界场景。为此,我们提出了一种名为自轮廓变换(SCT)的方法,它可以灵活地集成到各种现有的点云识别模型对任意旋转。SCT通过引入轮廓感知变换(CAT)来提供有效的旋转和平移不变性,轮廓感知变换(CAT)将点的笛卡尔坐标线性地变换为平移和旋转不变表示。在理论分析的基础上,证明了CAT是一个旋转和平移不变的变换。此外,帧对齐模块提出了通过捕获轮廓和将自身基于轮廓的帧转换为类内帧来增强区分性特征提取。大量的实验结果表明,SCT优于国家的最先进的方法在任意旋转的有效性和效率的合成和现实世界的基准。此外,鲁棒性和通用性评估表明,SCT是强大的,适用于各种点云处理模型,突出了SCT在工业应用中的优势。
2021-12-29 cs.CV
PointCHR: Point Cloud Analysis via Curvature-Aware Hyperbolic Rectification
针对三维点云中高曲率区域难以解析的问题,提出PointCHR方法,利用双曲流形指数体积膨胀特性,通过曲率引导径向整流机制,有效缓解表示拥挤问题,提升主干网络捕捉细节能力,在多基准测试中达最优性能。
2026-08-11 cs.CV
TransLoc3D : Point Cloud based Large-scale Place Recognition using Adaptive Receptive Fields
Tsinghua University(清华大学);National Defence University of PLA(中国人民解放军国防大学);Chinese Academy of Sciences(中国科学院);Cardiff University(卡迪夫大学)
位置识别在自动驾驶和机器人导航领域起着至关重要的作用。基于点云的方法主要集中在从点云的局部特征中提取全局描述符。尽管已经取得了有希望的结果,但现有的解决方案忽略了以下方面,这可能导致性能下降:(1)室外场景中的对象之间的巨大尺寸差异;(2)与地点识别无关的移动对象;(3)长距离上下文信息。我们说明,上述方面带来的挑战,提取歧视性的全球描述符。为了缓解这些问题,我们提出了一种新的方法名为transloc 3D,利用自适应感受野逐点重新加权方案来处理不同大小的对象,同时抑制噪声,和外部Transformer来捕获远程特征依赖关系。与采用固定和有限感受野的现有架构相反,我们的方法受益于大小自适应感受野以及全局上下文信息,并且在流行数据集上具有显着改进,优于当前最先进的技术。
2022-10-12 cs.CV
PSReg: Prior-guided Sparse Mixture of Experts for Point Cloud Registration
Shanghai Jiao Tong University(上海交通大学);Jiangxi University of Finance and Economics(江西财经大学);Shandong University(山东大学);Anqing Normal University(安庆师范大学);Huaihua University(怀化学院)
针对点云配准中重叠区域模糊结构导致的异常匹配问题,提出先验引导的稀疏专家混合模型,通过融合先验信息路由分配专家,提升特征判别性,在3DMatch/3DLoMatch上达到最先进配准召回率。
2025-01-18 cs.AI cs.CV
Text to Point Cloud Localization with Relation-Enhanced Transformer
Institute of Data Science, National University of Singapore(新加坡国立大学数据科学研究所);School of Computing, National University of Singapore(新加坡国立大学计算学院)
基于几条自然语言指令自动定位位置对于未来机器人与人类的通信和协作至关重要。为了实现这一目标,我们专注于文本到点云跨模态本地化问题。给定一个文本查询,它的目的是从城市规模的点云中识别所描述的位置。这项任务涉及两个挑战。1)在城市规模的点云中,类似的环境实例可能存在于多个位置。在一个巨大的点云中搜索每个位置,只有实例作为指导,可能会导致较少的区分信号和不正确的结果。2)在文本描述中,单独提供提示。在这种情况下,这些提示之间的关系没有明确的描述,导致学习关系的困难。为了克服这两个挑战,我们提出了一个统一的增强型Transformer(RET),以提高点云和自然语言查询的表示区分度。建议RET的核心是一种新的增强的自注意力(RSA)机制,显式编码的实例(提示)明智的关系,这两个模态。此外,我们提出了一个细粒度的跨模态匹配方法,以进一步完善在随后的实例提示匹配阶段的位置预测。在KITTI360Pose数据集上的实验结果表明,我们的方法大大超过了以前的最先进的方法。
2023-01-13 cs.CV
Generative PointNet: Deep Energy-Based Learning on Unordered Point Sets for 3D Generation, Reconstruction and Classification
Cognitive Computing Lab Baidu Research(百度研究院认知计算实验室);University of California Los Angeles (UCLA)(加州大学洛杉矶分校);Tsinghua University(清华大学);Peking University(北京大学)
我们提出了一个生成模型的无序点集,如点云,在一个基于能量的模型的形式,其中的能量函数是参数化的输入置换不变的自底向上的神经网络。能量函数学习每个点的坐标编码,然后将所有单独的点特征聚合成整个点云的能量。我们称我们的模型为生成PointNet,因为它可以从判别PointNet派生出来。我们的模型可以通过基于MCMC的最大似然学习(及其变体)进行训练,而无需任何辅助网络(如GANs和VAE)的帮助。与大多数依赖于手工制作的距离度量的点云生成器不同,我们的模型不需要任何手工制作的距离度量来生成点云,因为它通过根据能量函数定义的统计特性匹配观察到的示例来合成点云。此外,我们可以学习一个短期的MCMC对基于能量的模型作为一个流动的生成器点云重建和插值。学习的点云表示可以用于点云分类。实验结果表明,所提出的点云生成模型的优点。
2021-04-07 cs.CV
PVNet: A Joint Convolutional Network of Point Cloud and Multi-View for 3D Shape Recognition
Tsinghua University(清华大学);Xiamen University(厦门大学)
三维物体识别在多媒体和计算机视觉领域引起了广泛的研究关注。随着最近深度学习的激增,具有不同表示的各种深度模型已经实现了最先进的性能。其中,基于点云和多视图的三维形状表示是最近很有前途的,其相应的深度模型在三维形状识别上表现出显着的性能。然而,有很少的努力集中点云数据和多视图数据的三维形状表示,这是,在我们的考虑,是有益的,相互补偿。在本文中,我们提出了点视图网络(PVNet),第一个框架集成的点云和多视图数据对联合三维形状识别。更具体地说,嵌入注意力融合方案提出,可以采用高层次的功能,从多视图数据建模的内在相关性和区分不同的结构特征从点云数据。特别地,将区分性描述量化并利用为软注意力掩模以进一步细化3D形状的结构特征。我们已经在ModelNet40数据集上评估了所提出的方法,用于3D形状分类和检索任务。实验结果和国家的最先进的方法的比较表明,我们的框架可以实现卓越的性能。
2018-08-23 cs.CV
Flattening-Net: Deep Regular 2D Representation for 3D Point Cloud Analysis
City University of Hong Kong(香港城市大学);University of Science and Technology of China(中国科学技术大学);Nanyang Technological University(南洋理工大学)
点云数据具有不规则性和非结构性的特点,这给有效的数据挖掘和区分性特征提取带来了挑战。在本文中,我们提出了一种称为Flattening-Net的无监督深度神经架构,将任意几何形状和拓扑结构的不规则3D点云表示为完全规则的2D点几何图像(PGI)结构,其中空间点的坐标以图像像素的颜色捕获。\mr{Intuitively, Flattening-Net implicitly approximates a locally smooth 3D-to-2D surface flattening process while effectively preserving neighborhood consistency.} \mr{As a generic representation modality, PGI inherently encodes the intrinsic property of the underlying manifold structure and facilitates surface-style point feature aggregation.}为了展示其潜力,我们构建了一个统一的学习框架,直接在PGI上运行,以实现由特定任务网络驱动的\mr{diverse types of high-level and low-level}下游应用,包括分类,分割,重建和上采…
2023-02-07 cs.CV
A Hybrid Generative and Discriminative PointNet on Unordered Point Sets
Georgia State University(佐治亚州立大学)
本文提出GDPNet,首个将联合能量基模型(JEM)扩展至点云的混合生成与判别PointNet,在保持强大分类能力的同时生成高质量点云样本。
2024-04-19 cs.CV
HCRF-Flow: Scene Flow from Point Clouds with Continuous High-order CRFs and Position-aware Flow Embedding
Nanyang Technological University(南洋理工大学);University of Adelaide(阿德莱德大学);Institute for Infocomm Research A*STAR(新加坡科技研究局资讯通信研究院)
三维点云中的场景流在理解动态环境中起着重要作用。虽然深度神经网络已经取得了重大进展,但性能远不能令人满意,因为仅考虑了每点的平移运动,忽略了局部区域中刚性运动的约束。为了解决这个问题,我们建议引入运动一致性来强制相邻点之间的平滑性。此外,还通过共享每个局部区域内所有点的唯一刚性运动参数来添加对局部变换的刚性的约束。为此,高阶CRF的关系模块(Con-HCRFs)部署,探索点的光滑度和区域的刚性。为了使CRF具有判别性一元项,我们还引入了一个位置感知的流量估计模块,将其并入Con-HCRF。在FlyingThings3D和KITTI上进行的综合实验表明,我们提出的框架(HCRF-Flow)实现了最先进的性能,并大大优于以前的方法。
2021-05-17 cs.CV
DPDist : Comparing Point Clouds Using Deep Point Cloud Distance
Australian National University(澳大利亚国立大学);Australian Centre for Robotic Vision(澳大利亚机器人视觉中心)
我们引入了一种新的用于点云比较的深度学习方法。我们的方法,命名为深点云距离(DPDist),测量一个云中的点与另一个点云采样的估计表面之间的距离。使用3D修改的Fisher矢量表示局部有效地估计表面。局部表示降低了表面的复杂性,实现了高效和有效的学习,这在对象类别之间具有很好的泛化能力。我们在具有挑战性的任务中测试了所提出的距离,例如类似的对象比较和配准,并表明它比常用的距离(例如倒角距离,地球移动器的距离等)提供了显着的改进。
2020-07-23 cs.CV
SDFReg: Learning Signed Distance Functions for Point Cloud Registration
本文提出SDFReg框架,通过神经隐式函数将点云配准转化为点云与隐式函数的交替优化问题,无需点对应即可由粗到精地处理噪声、缺失和密度变化点云。
2024-01-10 cs.CV
SSPU-Net: Self-Supervised Point Cloud Upsampling via Differentiable Rendering
Nanjing University of Science and Technology(南京理工大学)
从3D传感器获得的点云通常是稀疏的。现有的方法主要集中在通过使用密集的地面实况点云以监督的方式对稀疏点云进行上采样。在本文中,我们提出了一个自监督点云上采样网络(SSPU-Net),以生成密集的点云,而不使用地面实况。为了实现这一点,我们利用输入稀疏点云和生成的密集点云的形状和渲染图像之间的一致性。具体来说,我们首先提出了一个邻居扩展单元(NEU)来上采样稀疏点云,其中稀疏点云的局部几何结构被用来学习点插值的权重。然后,我们开发了一个可微分点云渲染单元(DRU)作为我们的网络中的一个端到端的模块渲染点云到多视图图像。最后,我们制定了一个形状一致的损失和图像一致的损失训练网络,使稀疏和密集的点云的形状是尽可能一致的。在CAD和扫描数据集上的广泛结果表明,我们的方法可以以自我监督的方式取得令人印象深刻的结果。代码可在https://github.com/fpthink/SSPU-Net上获得。
2021-08-03 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
OCA: ODE-Driven Cross-Attention for Image-to-Point-Cloud Registration
Huazhong University of Science and Technology(华中科技大学);Northwestern Polytechnical University(西北工业大学);Huazhong Agricultural University(华中农业大学);Delft University of Technology(代尔夫特理工大学)
针对图像到点云配准中交叉注意力模糊性问题,提出ODE驱动的交叉注意力模块(OCA),通过常微分方程建模特征交互,集成至五个基线,在四个数据集上配准召回率提升最高达15%。
2026-09-30 cs.CV
MCI-Net: A Robust Multi-Domain Context Integration Network for Point Cloud Registration
MCI-Net通过多域上下文整合提升点云配准性能,采用图邻域聚合、渐进式上下文交互和动态内点选择方法,在3DMatch数据集上达到96.4%的配准召回率。
2025-12-29 cs.CV