PCDNF: Revisiting Learning-based Point Cloud Denoising via Joint Normal Filtering
China University of Geosciences (Wuhan)（中国地质大学（武汉））；University of Science and Technology of China（中国科学技术大学）；Nanyang Technological University（南洋理工大学）
针对点云去噪问题，提出端到端网络PCDNF，通过联合法向滤波的多任务视角，结合形状感知选择器与特征细化模块融合点特征与法向特征，在去噪与保特征上均优于现有最优方法。
2023-07-03 cs.CV cs.GR
Rethinking Point Cloud Filtering: A Non-Local Position Based Approach
Northwest A&F University（西北农林科技大学）；Deakin University（迪肯大学）
现有的基于位置的点云滤波方法很难保持清晰的几何特征。本文从非学习、非局部、非正态的角度对点云滤波进行了重新思考，提出了一种新的基于位置的特征保持点云滤波方法。与基于正常的技术，我们的方法不需要正常的信息。其核心思想是首先设计一个相似性度量来搜索查询的局部块的非局部相似块。然后，我们将非局部相似补丁映射到一个规范空间，并聚集非局部信息。聚合的结果（即坐标）将被逆映射到原始空间。我们的方法简单而有效。大量的实验验证了我们的方法，并表明它通常优于基于位置的方法（深度学习和非学习），并产生更好或可比的结果，以正常的技术（深度学习和非学习）。
2021-10-14 cs.CV cs.GR
A Convolutional Decoder for Point Clouds using Adaptive Instance Normalization
Visual Computing Institute（视觉计算研究所）；RWTH Aachen University（亚琛工业大学）
高质量的3D形状的自动合成是一个正在进行的和具有挑战性的研究领域。虽然已经提出了几种利用神经网络来生成3D形状的数据驱动方法，但它们都没有达到图像的深度学习合成方法所提供的质量水平。在这项工作中，我们提出了一个卷积点云解码器/生成器，利用图像合成领域的最新进展的方法。也就是说，我们使用自适应实例规范化，并直观地说明为什么它可以改善训练。此外，我们提出了扩展到自动编码点云的常用倒角距离的最小化。此外，我们表明，仔细采样是很重要的输入几何形状，并在我们的点云生成过程中，以提高结果。结果在自动编码设置中进行评估，以提供定性和定量分析。所提出的解码器是通过广泛的消融研究进行验证，并能够在一些实验中优于当前的最先进的结果。我们展示了我们的方法在点云上采样，单视图重建和形状合成领域的适用性。
2019-06-27 cs.CV cs.GR
AS-PD: An Arbitrary-Size Downsampling Framework for Point Clouds
Nanjing University of Science and Technology（南京理工大学）
点云下采样是对点进行下采样的关键预处理操作，以便统一数据大小并降低计算成本，仅举几例。最近的点云下采样研究取得了巨大的成功，集中在学习采样的任务意识的方式。然而，现有的可学习采样器不能直接执行任意大小的下采样，并且假设输入大小是固定的。在本文中，我们介绍了AS-PD，一种新的任务感知采样框架，直接下采样点云到任何更小的大小的基础上的采样到细化策略。给定任意大小的输入点云，我们首先对输入点云执行与任务无关的预采样，以达到指定的样本大小。然后，我们通过细化预采样集来获得采样集，使其具有任务感知性，由下游任务损失驱动。通过将每个预采样点与逐点多层感知器（MLP）预测的小偏移量相加来实现细化。通过密度编码和适当的训练方案，该框架可以学习自适应地将不同输入大小的点云下采样到任意样本大小。我们分别评估分类和注册任务的采样结果。所提出的AS-PD在下游性能方面超越了最先进的方法。进一步的实验还表明，我们的AS-PD表现出更好的通用性，看不见的任务模型，这意味着所提出的采样器是优化的任务，而不是一个指定的任务模型。
2023-01-10 cs.CV cs.GR
Fast and Accurate Normal Estimation for Point Cloud via Patch Stitching
Dalian Maritime University（大连海事大学）；Dalian Neusoft University of Information（大连东软信息学院）；Memorial University of Newfoundland（纽芬兰纪念大学）；Dalian University（大连大学）
针对非结构化点云，提出了一种有效的多块拼接法向估计方法。大多数基于学习的方法对整个模型的每个点周围的局部补丁进行编码，并以逐点的方式估计法线。相比之下，我们提出了一个更有效的管道，在其中我们引入了补丁级正常估计架构来处理一系列重叠补丁。此外，一种基于权重的多法线选择方法，被称为多片拼接，从重叠的片集成法线。为了减少尖锐的角落或噪音在补丁的不利影响，我们引入了一个自适应的局部特征聚合层，专注于各向异性的邻域。然后，我们利用一个多分支平面专家模块，打破底层分片曲面之间的相互影响，在一个补丁。在拼接阶段，我们使用多分支平面专家的学习权值和点之间的距离权值来选择重叠部分中的最佳法线。此外，我们提出了一种稀疏矩阵表示，以减少大规模的检索开销的循环迭代显着。大量的实验表明，我们的方法实现了SOTA的结果，具有较低的计算成本和更高的鲁棒性噪声比大多数现有的方法的优势。
2021-03-31 cs.CV cs.GR
Deep Point Cloud Normal Estimation via Triplet Learning
School of Information Technology, Deakin University（迪肯大学信息技术学院）
本文提出一种基于三元组学习的点云法向估计方法，通过局部块三元组网络编码特征并回归法向，在较小网络规模下提升了尖锐特征保留与抗噪鲁棒性。
2024-03-23 cs.CG cs.CV cs.GR
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
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
MultiDepth: Multi-Sample Priors for Refining Monocular Metric Depth Estimations in Indoor Scenes
Silicon Valley Emerging Tech of LG Electronics CTO Office（LG电子首席技术官办公室硅谷新兴技术部门）
针对现有单目度量深度估计模型适配室内场景效果差的问题，提出MultiDepth轻量级优化框架，结合多样本先验优化深度预测，在四个数据集上实现超45%的准确率提升且计算开销更低。
2024-11-01 cs.CV
PointRCNN: 3D Object Proposal Generation and Detection from Point Cloud
The Chinese University of Hong Kong（香港中文大学）
在本文中，我们提出了PointRCNN的三维目标检测从原始点云。整个框架由两个阶段组成：第一阶段用于自底向上的3D建议生成，第二阶段用于在规范坐标中细化建议以获得最终检测结果。与以往的方法不同的是，该方法不需要从RGB图像生成建议，也不需要将点云投影到鸟瞰图或体素上，而是通过将整个场景的点云分割成前景点和背景，以自底向上的方式直接从点云生成少量高质量的3D建议。阶段2子网络将每个建议的池化点转换为规范坐标，以学习更好的局部空间特征，并将其与阶段1中学习的每个点的全局语义特征相结合，以进行准确的框细化和置信度预测。在KITTI数据集的3D检测基准上进行的大量实验表明，我们提出的架构仅使用点云作为输入，性能优于最先进的方法，具有显着的边缘。该代码可在https://github.com/sshaoshuai/PointRCNN上获得。
2019-05-16 cs.CV
Orienting Point Clouds with Dipole Propagation
Tel Aviv University（特拉维夫大学）；New York University（纽约大学）
在几何处理中，为点云建立一致的法向是一个众所周知的难题，需要同时关注局部和全局形状特征。点的法线方向是局部表面邻域的函数;然而，点云并不能揭示完整的底层表面结构。即使假设已知测地线接近，计算一致的法线方向也需要全局上下文。在这项工作中，我们介绍了一种新的方法来建立一个全球一致的正常方向的点云。我们的解决方案将局部和全局组件分为两个不同的子问题。在局部阶段，我们训练神经网络以学习每个片的相干法线方向（即，在单个面片内一致定向的法线）。在全局阶段，我们使用偶极子传播将方向传播到所有相干贴片。我们的偶极子传播决定使用由所有先前定向的贴片定义的电场来定向每个贴片。这产生了稳定的全局传播，以及对附近表面、孔、尖锐特征和噪声的鲁棒性。
2021-05-04 cs.CV cs.GR cs.LG
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
Temporal Point Cloud Completion with Pose Disturbance
Department of Electronic and Computer Engineering, the Hong Kong University of Science and Technology（香港科技大学电子与计算机工程学系）；Dji Co.（大疆创新公司）
现实世界中的传感器采集的点云数据往往是不对齐和稀疏的，这使得从单帧数据重建物体的完整形状变得非常困难。在这项工作中，我们设法提供完整的点云从稀疏的输入与姿态干扰有限的平移和旋转。我们还使用时间信息来增强完成模型，用一系列输入来细化输出。借助门控恢复单元（GRU）和注意力机制作为时间单元，我们提出了一个点云补全框架，该框架接受一系列未对齐和稀疏的输入，并输出一致和对齐的点云。我们的网络以在线方式执行，并为每个帧提供精细的点云，这使其能够集成到任何SLAM或重建管道中。据我们所知，我们的框架是第一个利用时间信息，并确保时间的一致性与有限的转换。通过在ShapeNet和KITTI上的实验，我们证明了我们的框架在合成和真实世界数据集上都是有效的。
2022-02-07 cs.CV
Point Cloud Resampling with Learnable Heat Diffusion
Shanghai Jiao Tong University（上海交通大学）
本文提出一种可学习热扩散框架用于点云重采样，通过学习自适应热扩散调度和局部滤波尺度构建自适应条件先验，在点云去噪和上采样任务中取得最先进性能。
2024-11-21 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
Self-Supervised Place Recognition by Refining Temporal and Featural Pseudo Labels from Panoramic Data
New York University（纽约大学）；University of Rochester（罗切斯特大学）
本文提出自监督地点识别框架TF-VPR，通过交替进行表示学习、正样本集扩展和几何验证收缩，利用时间与特征邻域发现空间邻域，在召回率、鲁棒性和航向多样性上优于自监督基线。
2024-11-20 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
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
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
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
Difference of Normals as a Multi-Scale Operator in Unorganized Point Clouds
University of Toronto（多伦多大学）；Toronto Rehabilitation Institute（多伦多康复研究所）；Queen’s University（女王大学）
提出了一种新的三维散乱点云多尺度算子。法线差（DoN）提供了一种计算效率高的多尺度方法来处理大型无组织的3D点云。定量和定性地展示了DoN在两个不同的真实世界室外城市LIDAR场景数据集的多尺度滤波中的应用。在这两个数据集中，DoN算子被证明可以将大型3D点云分割成规模突出的集群，例如汽车，人和灯柱，用于半自动注释中的应用，并作为自动对象识别中的预处理步骤。该算子在一个大型的户外LIDAR场景公共数据集上进行了评估，并给出了地面实况注释。
2012-09-08 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
Volumetric Cloud Field Reconstruction
Imperial College London（帝国理工学院）；University of Oxford（牛津大学）
本文提出一种融合深度立体模型、3D CNN与平流模块的深度学习框架，从少量立体图像对重建云等体积的密度与速度场，并利用时间演化提升运动推断与时间一致性。
2023-11-29 cs.CV
Normal Estimation for 3D Point Clouds via Local Plane Constraint and Multi-scale Selection
Dalian University of Technology（大连理工大学）
本文提出了一种非结构化三维点云的法线估计方法。该方法首先采用局部平面特征约束机制，然后引入多尺度选择策略。LPEC可用于单尺度点网络架构中，以实现非结构化3D点云的更稳定的法向估计。特别是，它可以部分克服噪声的影响，在大样本规模相比，其他方法，只使用回归损失的正常估计。进一步的，在对网络逐点特征提取后，建立一个子网络，并通过二进制分类器对局部面片的每一点进行约束。采用多任务优化方法同时训练法向估计任务和局部平面分类任务，并结合多尺度结果的优点，采用尺度选择策略，以数据驱动的方式围绕每个点选择最优尺度，鼓励子网络专业化。具体来说，我们采用了一个称为尺度估计网络的子网络来从多尺度特征中提取尺度权重信息。进一步分析了实验中噪声水平、局部边界和尺度之间的关系。这些关系可以更好地指导为特定模型选择特定比例。此外，实验结果表明，该网络能够准确区分拟合平面上的点，可以用来指导法线估计，多尺度方法可以很好地改善结果。与一些最先进的表面法向估计相比，我们的方法对噪声具有鲁棒性，可以实现有竞争力的结果。
2019-10-18 cs.CV cs.GR eess.IV
PointFlow: 3D Point Cloud Generation with Continuous Normalizing Flows
Cornell University（康奈尔大学）；Cornell Tech（康奈尔科技学院）；NVIDIA（英伟达）
随着3D点云成为多种视觉和图形应用的首选表示，合成或重建高分辨率、高保真度点云的能力变得至关重要。尽管最近深度学习模型在点云的判别任务中取得了成功，但生成点云仍然具有挑战性。本文提出了一个原则性的概率框架，通过将它们建模为分布的分布来生成3D点云。具体来说，我们学习了一个两级分布层次结构，其中第一级是形状的分布，第二级是给定形状的点的分布。这个公式允许我们对形状进行采样，并从形状中采样任意数量的点。我们的生成模型名为PointFlow，它通过连续的归一化流来学习分布的每个级别。规范化流的可逆性使得在训练期间能够计算可能性，并且允许我们在变分推理框架中训练我们的模型。从经验上讲，我们证明了PointFlow在点云生成方面具有最先进的性能。我们还表明，我们的模型可以忠实地重建点云，并以无监督的方式学习有用的表示。该代码将在https://github.com/stevenygd/PointFlow上提供。
2019-09-02 cs.CV cs.LG
CasPoinTr: Point Cloud Completion with Cascaded Networks and Knowledge Distillation
Institute of Science and Technology for Brain-Inspired Intelligence (ISTBI)（脑启发智能科学技术研究所）
本文提出 CasPoinTr 点云补全框架，通过形状重建与融合补全的级联网络及教师—学生知识蒸馏，提升全局形状推断和局部缺失区域重建性能。
2025-09-27 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
RARE: Refine Any Registration of Pairwise Point Clouds via Zero-Shot Learning
College 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）；Shenzhen Research Institute, Nanjing University of Aeronautics and Astronautics（南京航空航天大学深圳研究院）；School of Data Science, Lingnan University（岭南大学数据科学学院）
本文提出零样本方法 RARE，通过多视角深度投影和预训练扩散特征增强几何对应，以提升各类点云配准算法的精度与跨数据集泛化能力。
2025-07-26 cs.AI cs.CV
MergeNet: Explicit Mesh Reconstruction from Sparse Point Clouds via Edge Prediction
DUT-RU International School of Information Science & Engineering, Dalian University of Technology（大连理工大学DUT-RU国际信息科学与工程学院）；School of Software, Dalian University of Technology（大连理工大学软件学院）
提出MergeNet，通过预测边连接将网格重建转为局部连接预测，利用边到表面距离过滤并细化三角剖分，在稀疏点云上优于现有显式方法。
2024-07-16 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
Refining Segmentation On-the-Fly: An Interactive Framework for Point Cloud Semantic Segmentation
Nanjing University of Science and Technology（南京理工大学）
本文针对交互式点云语义分割任务，提出首个无需离线重训练的实时交互式框架InterPCSeg，通过测试时稀疏交互训练与稳定能量项约束，结合定制交互模拟方案，有效借助用户交互提升点云语义分割效果。
2024-03-11 cs.CV
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
HD2Reg: Hierarchical Descriptors and Detectors for Point Cloud Registration
Xi’an Jiaotong University（西安交通大学）；Shunan Academy of Artificial Intelligence（舜人工智能研究院）
针对点云配准中特征描述子与检测器缺乏局部和全局语义显式表征的问题，提出HD2Reg框架，通过分层对比学习、双层级关键点检测及全局到局部匹配实现更优配准效果。
2023-05-05 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
Digging into Intrinsic Contextual Information for High-fidelity 3D Point Cloud Completion
Harbin Institute of Technology（哈尔滨工业大学）；Pengcheng Laboratory（鹏城实验室）；Harbin Institute of Technology Suzhou Research Institute（哈尔滨工业大学苏州研究院）
针对点云补全精阶段高保真生成难题，提出挖掘部分点云长短程上下文信息的方法，通过混合采样、表面冻结及相似度建模模块实现高质量补全，效果优于当前最优方法。
2024-12-11 cs.CV
Generalized-CVO: Fast and Correspondence-Free Local Point Cloud Registration with Second Order Riemannian Optimization
Toyota Research Institute（丰田研究院）
提出一种基于几何表面结构和再生核希尔伯特空间嵌入的无对应局部点云配准方法，采用二阶流形优化实现高达10倍加速，在LiDAR和RGB-D跟踪及物体配准中显著降低漂移并提升鲁棒性。
2026-06-08 cs.AI cs.CV cs.RO
Hg-I2P: Bridging Modalities for Generalizable Image-to-Point-Cloud Registration via Heterogeneous Graphs
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）
本文提出Hg-I2P方法，通过异构图融合多模态特征，提升图像与点云配准的泛化能力和精度。
2026-03-30 cs.CV
NDT-Transformer: Large-Scale 3D Point Cloud Localisation using the Normal Distribution Transform Representation
Orebro University（厄勒布鲁大学）；Xiamen University（厦门大学）；University of Surrey（萨里大学）；University of Lincoln（林肯大学）；University of Sheffield（谢菲尔德大学）；University of Oxford（牛津大学）
基于3D点云的地点识别是GPS挑战环境中自动驾驶的高度需求，并且是基于激光雷达的SLAM系统中的重要组件（即环路闭合检测）。本文提出了一种新的方法，命名为NDT-Transformer，实时和大规模的地点识别使用三维点云。具体而言，采用3D正态分布变换（NDT）表示来将原始的密集3D点云浓缩为概率分布（NDT单元）以提供几何形状描述。然后，一种新的NDT-Transformer网络从一组3D NDT单元表示中学习全局描述符。得益于NDT表示和NDT-Transformer网络，学习的全局描述符被几何和上下文信息丰富。最后，描述符检索实现使用查询数据库的地方识别。在Oxford Robotcar测试中，与现有方法相比，该方法在前1名召回率和前1%召回率上分别提高了7.52%和2.73%。
2021-03-23 cs.CV cs.RO
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
