Topologically Relevant Landmark Selection on Point Clouds
National Key Laboratory for Novel Software Technology, Nanjing University(南京大学新型软件技术全国重点实验室);School of Artificial Intelligence, Nanjing University(南京大学人工智能学院)
针对大型点云持续同调计算昂贵的问题,提出基于Hodge拉普拉斯算子的地标选择方法,通过量化点的调和参与度选取拓扑相关地标,在合成与真实数据上更准确地恢复原始点云PH。
2026-10-06 cs.CG math.AT
Point-Level Topological Representation Learning on Point Clouds
rwth Aachen University(亚琛工业大学)
本文提出一种利用代数拓扑和微分几何离散概念从复杂点云中提取节点级拓扑特征(TOPF)的新方法,弥合了全局拓扑描述与机器学习点级特征需求间的差距,并在合成与真实数据上验证了其有效性与鲁棒性。
2025-02-04 cs.CG cs.LG math.AT
The mergegram of a dendrogram and its stability
本文将拓扑数据分析(TDA)中的持久性概念扩展到一个新的方向。TDA量化隐藏在无序数据中的拓扑形状,例如无序点云。在0维的情况下,基于距离的持久性由度量空间中有限集的单链接(SL)聚类确定。同样,0D持久化只捕获最小生成树(MST)的边长。SL树状图和MST在点的扰动下都是不稳定的。我们定义了新的稳定的噪声下的合并图,它优于以前的等距不变量上的点云的分类,由Kellay。
2020-07-22 cs.CG
A fast and robust algorithm to count topologically persistent holes in noisy clouds
Durham University(杜伦大学)
预处理2D图像通常会产生一个有噪声的兴趣点云。我们研究了平面上无组织云的孔洞计数问题。当在所有可能的尺度上分析云时,给定云中的孔通过其边界轮廓的拓扑持久性来量化。我们设计的算法来计算孔是最持久的过滤偏移(邻域)周围的给定点。输入是平面中的一组$n$点,没有任何用户定义的参数。该算法具有$O(n\log n)$时间和$O(n)$空间。输出是数组(孔数,过滤中的相对持久性)。我们证明理论上的保证,当算法找到正确数量的孔(组件的补充)的一个未知的形状近似的云。
2014-07-19 cs.CG cs.CV math.AT
Topological Point Cloud Clustering
RWTH Aachen University(亚琛工业大学)
提出拓扑点云聚类(TPCC)方法,基于单纯复形的Hodge-Laplacians谱性质,利用点对全局拓扑特征的贡献进行聚类,兼具谱聚类的易实现性与拓扑技术的抗噪鲁棒性。
2025-03-01 cs.CG cs.LG cs.SI
Topology-Aware Surface Reconstruction for Point Clouds
我们提出了一种方法,通过拓扑先验信息从点扫描重建表面。重建是基于基函数的优化,以提供一个很好的适合点扫描,同时满足预定义的拓扑约束。我们优化模型的参数,以获得重建域上的似然函数。拓扑约束通过持久性图捕获,并将持久性图纳入优化算法中,以促进正确的拓扑结构。结果是一种新颖的拓扑感知技术,其可以:1.)从点扫描中剔除拓扑噪声,以及2.)捕获底层形状的某些细微差别的属性,否则这些属性在执行表面重建时可能会丢失。我们展示的结果重建形状与多个潜在的拓扑结构,与其他经典的表面构造技术相比,并显示完成真正的扫描数据。
2021-09-15 cs.CG cs.GR
TopoRec: Point Cloud Recognition Using Topological Data Analysis
School of Computing at the University of North Florida(北弗罗里达大学计算机学院)
针对点云识别中描述符提取难、噪声与旋转干扰及现有学习方法训练成本高的问题,提出基于拓扑数据分析的TopoRec方法,采用ATOL向量化生成描述符,无需GPU训练,在多数据集上准确率和泛化性均优于现有基线。
2025-08-01 cs.CG cs.CV cs.RO
Adaptive Topological Feature via Persistent Homology: Filtration Learning for Point Clouds
The University of Tokyo(东京大学);Kyushu University(九州大学)
本文提出一种基于神经网络的自适应过滤学习框架,用于点云持续同调特征提取,确保等距不变性,并在分类任务中验证了其有效性。
2023-12-24 cs.CG cs.CV cs.LG
A new compressed cover tree for k-nearest neighbour search and the stable-under-noise mergegram of a point cloud
本论文由两个与计算几何相关的主题和一个与拓扑数据分析相关的主题组成,它结合了计算几何和代数拓扑学的领域来分析数据。第一部分研究了在任意度量空间中的一个较大的n个参考点集合中找到m个查询点的k个最近邻的经典问题。第二部分是有限度量空间上最小生成树的构造。第三部分将拓扑数据分析中持久性的关键概念扩展到一个新的方向。
2023-01-03 cs.CC cs.CG
Mixup Barcodes: Quantifying Geometric-Topological Interactions between Point Clouds
University of Florida(佛罗里达大学);University of Central Florida(中央佛罗里达大学)
本文提出了一种新的方法,通过结合标准持续同调与图像持续同调,定义了量化形状及其相互作用的新型方法,引入了混合条形码、总混合度和总百分比混合度等统计量,并开发了相关软件工具,用于机器学习中的特征解缠问题。
2026-05-17 cs.CG cs.LG math.AT
Distributions of Matching Distances in Topological Data Analysis
在拓扑数据分析中,我们希望辨别数据的拓扑和几何结构,并了解数据的某些特征是否重要,而不是简单的随机噪声。虽然在单参数持久性的统计技术方面取得了进展,但对实际应用非常需要的双参数持久性的情况研究较少。本文提供了一个方便的介绍,两个参数持久的同源性,并提出了结果之间的匹配距离的2-D持久模块从家庭的点云。结果包括观察点云几何结构的差异如何影响持久性模块之间的匹配距离。我们将这些结果作为研究更复杂数据的起点。
2020-01-09 cs.CG math.AT
TACO-Net: Topological Signatures Triumph in 3D Object Classification
本文提出TACO-Net框架,通过拓扑数据分析与图像滤波提取点云的体素化拓扑特征,并用轻量级1D CNN分类,在ModelNet40/10及受损和真实数据上取得SOTA精度与鲁棒性。
2025-09-29 cs.CG cs.CV cs.LG
Cone fields and topological sampling in manifolds with bounded curvature
通常,噪声点云被给出作为感兴趣的特定紧凑集的近似。有限点云是一个紧集。本文证明了一个重构定理,给出了两个紧集之间的Hausdorff距离的一个充分条件,即当两个紧集的某些等距在环形区域中不存在μ-临界点时,这两个紧集是同伦的。由于假设附近没有距离函数的临界点,则集合变形的偏移量会缩回到集合本身,因此我们可以使用该定理来证明点云的偏移量何时同伦等价于它所采样的集合。周围空间可以是任何黎曼流形,但我们专注于周围流形,无处负曲率。在这个过程中,我们证明了当周围空间是流形时μ-临界点的稳定性定理。
2013-08-03 cs.CG math.AT math.DG
Topological Data Analysis with $ε$-net Induced Lazy Witness Complex
拓扑数据分析通过构造和研究底层拓扑结构的简单表示来计算和分析点云的拓扑特征。拓扑数据分析最初取得成功之后的热情被构造这种单纯表示的计算成本所抑制。惰性见证复合体是点云的底层拓扑结构的计算上可行的近似。它是内置的参考点的一个子集,称为地标,而不是考虑所有的点,因为在捷克和Vietoris-Rips复合体。界标的选择和数量决定了近似的有效性和效率。我们采用$ε$ -覆盖的概念来定义$ε$ -网。我们证明了$ε$ -网作为地标的选择是点云的$ε$ -近似表示,而诱导的惰性见证复形是诱导的Vietoris-Rips复形的$3$ -近似.此外,我们提出了三个算法来构建$ε$ -net地标。我们建立了这些算法与现有的地标选择算法的关系。我们从经验上验证了我们的理论主张。我们的经验和比较评估的有效性,效率和稳定性的合成和真实的数据集上提出的算法。
2019-06-19 cs.CG math.AT math.ST
RipsNet: a general architecture for fast and robust estimation of the persistent homology of point clouds
Université Côte d’Azur(蔚蓝海岸大学);Inria(法国国家信息与自动化研究所);Université Paris-Saclay(巴黎萨克雷大学);CNRS(法国国家科学研究中心);Laboratoire de Mathématiques d’Orsay(奥赛数学实验室);LIGM(几何与模型化实验室);Université Gustave Eiffel(古斯塔夫·埃菲尔大学);The University of Tokyo(东京大学);Fujitsu Limited(富士通有限公司)
拓扑描述符在现代机器学习应用中的使用,例如由拓扑数据分析(TDA)产生的持久性图(PD),已经在各个领域显示出巨大的潜力。然而,它们在应用中的实际使用通常受到两个主要限制的阻碍:精确计算这些描述符所需的计算复杂性,以及它们对甚至低水平比例的离群值的敏感性。在这项工作中,我们建议绕过这两个负担,在数据驱动的设置委托(矢量化)PD的估计建立在点云之上的神经网络架构,我们称之为RipsNet。一旦在给定的数据集上训练,RipsNet可以非常有效地估计测试数据上的拓扑描述符,并具有泛化能力。此外,我们证明了RipsNet在1-Wasserstein距离方面对输入扰动具有鲁棒性,这是对仅具有Hausdorff稳定性的PD的标准计算的重大改进,使RipsNet在噪声环境中大大优于精确计算的PD。我们展示了RipsNet在合成数据和真实数据上的使用。我们的开源实现可在https://github.com/hensel-f/ripsnet上公开获得,并将包含在Gudhi库中。
2022-02-04 cs.CG cs.LG
Delaunay Bifiltrations of Functions on Point Clouds
本文提出点云上函数的 Delaunay 双过滤,证明其拓扑等价性,并给出基于 Bowyer-Watson 算法和 CGAL 的高效实现,可快速处理高维点云数据。
2023-10-24 cs.CG math.AT
Topo-ADV: Generating Topology-Driven Imperceptible Adversarial Point Clouds
University of North Florida(北佛罗里达大学)
本文提出Topo-ADV,通过拓扑结构生成不可察觉的对抗点云,挑战传统假设,提升攻击成功率。
2026-04-10 cs.CG cs.CV
Approximating persistent homology for a cloud of $n$ points in a subquadratic time
$n$ -点度量空间的Vietoris-Rips滤子是一个大单纯复形序列,它在不连通的空间上增加了一个拓扑结构。持续同源性是拓扑数据分析的重要工具,它研究在多尺度上持续存在的数据的拓扑特征。计算滤子的持久同调的最快算法有时间$O(M(u)+u^2\log^2 u)$,其中$u$是更新(单形的添加或删除)的数量,$M(u)=O(u^{2.376})$是$u\times u$矩阵相乘的时间。对于由两两距离给出的$n$点的空间,我们用一个由$u=o(n)$更新组成的锯齿形过滤来逼近Vietoris-Rips过滤,该过滤在$n$中是次线性的.常数取决于给定的近似误差和度量空间的双倍维数。然后,该次线性尺寸过滤的持久同调可以在时间$o(n^2)$中计算,其在$n$中是次二次的。
2017-09-16 cs.CG cs.CV math.AT
On Support Relations Inference and Scene Hierarchy Graph Construction from Point Cloud in Clustered Environments
Fudan University(复旦大学)
针对3D场景理解中基于RGB方法忽略空间几何与拓扑信息的问题,提出一种自下而上的点云支撑关系推断与场景层级图构建方法,在基元分类和支撑关系推断上表现优异且具高可扩展性。
2024-04-22 cs.CG cs.CV
Self-Supervised Learning for Multimodal Non-Rigid 3D Shape Matching
University of Bonn(波恩大学)
3D形状的匹配已经被广泛地研究用于表示为表面网格的形状以及表示为点云的形状。虽然点云是原始真实世界3D数据(例如来自激光扫描仪)的常见表示,但网格编码丰富且富有表现力的拓扑信息,但它们的创建通常需要某种形式的(通常是手动的)管理。反过来,纯粹依赖于点云的方法无法满足利用附加拓扑结构的基于网格的方法的匹配质量。在这项工作中,我们通过引入一种自监督的多模态学习策略来缩小这一差距,该策略将基于网格的功能图正则化与耦合网格和点云数据的对比损失相结合。我们的形状匹配方法允许获得三角形网格,完整的点云和部分观察到的点云,以及在这些数据模式的对应关系的模内对应。我们证明,即使与最近的监督方法相比,我们的方法在几个具有挑战性的基准数据集上也取得了最先进的结果,并且我们的方法达到了以前从未见过的跨数据集泛化能力。
2023-03-20 cs.AI cs.CG cs.CV
Stratified Formal Deformations and Intersection Homology of Data Point Clouds
交同调是一个拓扑不变量,它比普通同调能探测空间中更精细的信息。利用经典的简单同伦理论的思想,我们构造了单纯复形上的局部组合变换,使得交同调保持不变。特别是,我们得到的概念分层的形式变形和分层的脊椎的复杂,导致减少复杂的交叉同源性计算之前。我们实现了这种变换的算法执行,以及交叉同源性的计算,并应用这些算法来调查的交叉同源性的分层脊椎Vietoris-Rips型复合物与点集附近采样给定的,可能是奇异的,空间。
2020-05-25 cs.CG math.AT
The Christoffel-Darboux kernel for topological data analysis
在$\mathbb{R}^n$中点云拓扑结构的研究中,持久同源性被广泛应用。标准方法对异常值非常敏感,并且它们的计算复杂性严重依赖于数据点的数量。在本文中,我们介绍了一种新的持久性模块的点云使用的Christoffel-Darboux内核的理论。该模块对数据中的(统计)异常值具有鲁棒性,并且可以在数据点数量的时间线性中计算。我们用$\mathbb{R}^n$中的各种数值例子来说明我们的新模块的优点和局限性,对于$n=1, 2, 3$。我们的工作扩展了Christoffel-Darboux内核在统计数据分析和几何推理方面的最新应用(Lasserre,Pauwels和Putinar,2022)。在那里,这些内核被用来构造一个多项式,其水平集以精确的方式捕获点云的几何形状。我们表明,持久的同源性相关联的子水平集过滤这个多项式是稳定的Wasserstein距离。此外,我们证明了这种过滤的持久同调可以在环境维$n$中以单指数时间计算,使用Basu & Karisani(2022)的最新算法。
2022-11-28 cs.CG math.AT math.OC
Simplicial Hausdorff Distance for Topological Data Analysis
本文提出一种修正的单纯复形豪斯多夫距离,将几何邻近性与拓扑特征结合为扩展度量,并给出过滤复形版本及计算复杂度结果。
2025-02-06 cs.CG math.AT
Non-isotropic Persistent Homology: Leveraging the Metric Dependency of PH
RWTH Aachen University(亚琛工业大学)
提出非各向同性持久同调方法,通过改变底层空间距离函数并分析持久性图偏移,提取点云的方向、方差和缩放等额外拓扑几何信息。
2023-10-25 cs.CG cs.LG math.AT
Toward the Automatic Generation of a Semantic VRML Model from Unorganized 3D Point Clouds
本文介绍了我们的经验,关于创建三维语义设施模型的无组织的三维点云。因此,一个基于知识的检测方法的对象使用OWL本体语言。此知识用于定义SWRL检测规则。此外,SWRL规则中三维处理内置和拓扑内置的结合旨在将三维点云的几何分析与专家知识相结合。这种组合允许更灵活和智能的检测和3D点云中包含的对象的注释。所创建的WiDOP原型以一组3D点云作为输入,并产生在VRML语言中可视化的彩色对象的索引场景作为输出。该研究的背景下是具体化的德国铁路场景,如信号,技术柜,电线杆等,因此,产生的丰富和填充域本体,包含在点云中的对象的注释,是用来喂养的GIS系统内的铁路对象的检测。
2013-01-21 cs.AI cs.CG
On the Bootstrap for Persistence Diagrams and Landscapes
持续同源探测点云和函数的拓扑性质。通过同时查看多个尺度,可以记录拓扑特征随尺度变化的出生和死亡。本文利用一种统计方法--经验自举法来分离拓扑信号和拓扑噪声。特别是,我们得到的持久性图和持久性景观的置信带的置信集。
2014-01-22 cs.CG math.AT stat.AP
Diffeomorphic interpolation for efficient persistence-based topological optimization
DataShape;Centre Inria d’Université Côte d’Azur(科特迪瓦大学蔚蓝海岸中央INRIA中心);Shape Analysis Group(形状分析组);Laboratoire d’Informatique Gaspard Monge(加斯帕尔·蒙日计算机实验室);Univ. Gustave Eiffel(古斯塔夫·埃菲尔大学);CNRS(法国国家科学研究中心)
针对点云拓扑优化中梯度极度稀疏导致优化缓慢的问题,提出微分同胚插值方法将稀疏梯度转为平滑向量场,实现大规模点云优化及高效的AE潜在空间正则化与数据生成。
2024-05-29 cs.AI cs.CG math.OC
Topological De-Noising: Strengthening the Topological Signal
提出一种易于实现、计算高效的预处理算法,用于噪声点云数据的拓扑数据分析,通过拓扑去噪恢复阈值方法无法获取的拓扑信息。
2010-02-08 cs.CG cs.NA math.NA
Topological Optimal Transport for Geometric Cycle Matching
本文融合持续同调、超图最优传输与几何信息,提出 TpOT 框架,通过测度拓扑网络及其非负曲率测地距离实现点云间低拓扑失真的持久同调环匹配。
2025-02-18 cs.CG math.AT math.MG
Continuation of Point Clouds via Persistence Diagrams
Instituto de Ciências Matemáticas e de Computação, Universidade de São Paulo(圣保罗大学数学与计算科学学院);WPI-Advanced Institute for Materials Research (WPI-AIMR), Tohoku University(东北大学世界顶尖研究中心材料研究高级研究所)
本文提出利用持续图延续点云的数学和算法框架,通过持续图的可微性应用牛顿-拉夫森方法,将原始点云转换为目标持续图的中间点云。
2015-06-10 cs.CG cs.NA math.AT