没有合适的资源?快使用搜索试试~ 我知道了~
15343PrimitiveNet:基于局部基元嵌入的对抗性基元实例分割黄经纬1,张延峰1,孙明伟1,21黎曼实验室,华为技术.2武汉大学摘要我们提出了PrimitiveNet,一种新的方法,用于大规模点云的高分辨率原始实例分割。我们的主要思想是将全球分割问题转化为更容易的本地任务。我们训练了一个高分辨率的原始嵌入网络来预测每个点的显式几何特征和隐式潜在特征。嵌入与对抗网络联合训练作为原始鉴别器,以确定点是否来自局部邻域中的相同原始实例。这种局部监督鼓励学习的嵌入和鉴别器描述局部表面性质并鲁棒地区分不同的实例。在推理时,网络预测之后是区域生长方法以完成分割。实验表明,我们的方法在ABC数据集[31]上的平均精度显著优于现有的最先进的平均精度(46.3%)。我们可以处理非常大的真实场景,覆盖超过0.1平方公里。消融研究突出了我们核心设计的贡献。最后,我们的方法可以改善几何处理算法抽象扫描轻量级模型。代码和数据将基于Pytorch1和Mindspore2提供。1. 介绍近年来,3D扫描技术利用3D传感器取得了快速发展最先进的算法[47,28,65,12]或商业软件[1]简化了现实世界环境的重建和数字化。然而,输出模型的质量和复杂性低于包括游戏和虚拟/增强现实(AR/VR)的目标应用所需的标准。例如,一个典型的室内扫描包含几个mil-1https://github.com/hjwdzh/PrimitiveNet2https://gitee.com/mindspore/mindspore/tree/master/model_zoo/research/3d/PrimitiveNet(a) 对象分割(b)块分割(c)场景分割(d)场景抽象图1. 我们提出了PrimitiveNet在(a)对象或(b)场景块的级别上鲁棒地分割原始实例。(c)我们可以处理覆盖0.1平方公里的超大场景。(d)我们改进了场景抽象并提供了轻量级模型。狮子的脸上充满了噪音,这是手机无法承受的。解决这些问题的主要方向包括局部网格抽取[18,37,52]和图元实例组装[5,32,23,2]。网格抽取迭代地折叠边缘,但未能保留重要结构。基元组装需要将点分割成基元的实例,因此受到分割质量的限制。我们的目标是显着提高分割质量和最终生产的轻量级模型从扫描。原始实例分割在几何处理中具有悠久的历史,具有使用Ransac [53]或区域生长[41,51]的两种标准解决方案。主要的挑战是找到合适的参数来鲁棒地从噪声中恢复形状并鲁棒地保持相似图元的边界最近,在对象级别使用深度学习技术[35,57,39]部分解决了这个问题然而,它们需要提取全局形状特征,并且对于正确预测小的形状特征的能力有限。15344实例或大规模处理点云。为了解决这些限制,我们将全局原始拟合问题转换为更容易学习和推广的局部任务,这些任务可以鲁棒地区分不同的实例并在不同尺度下获得高质量的分割(图1(a-c))。我们训练了一个原始的嵌入网络,专注于学习每点的局部表面属性,包括显式几何特征和隐式潜在特征。显式特征的一个流行选择是对象中心,其被证明对于具有后聚类的准确语义实例分割[29,15,22]是有效的。但是,它不适用于原始分割:虽然对象比例是相对局部的,但像地板平面这样的图元的大小可以足够大以覆盖整个场景。此外,中心可以在不同的基元之间共享,因此不是用于聚类的区分特征相反,我们为一个点设计显式特征,作为其局部切平面,由最接近该点的地面真实形状上的法线方向的位置监督我们使用潜在的特征来区分原始实例。如果在训练期间可用,我们将使用原始类型来监督特征。由于不足以区分具有相同类型的实例,因此我们另外训练对抗度量作为初级鉴别器来决定两个潜在特征是否指示不同的实例。为了鼓励潜在特征捕获局部属性,我们约束原始判别器来评估闭合点的特征。我们发现这种局部约束突出了边界处的特征差异,并且对于监督是鲁棒的。我们的原始嵌入网络设计结合了PointNet [49]和稀疏卷积[20,7],以在更大的感受野内局部提取它们被连接并通过多层感知器以导出每点显式和隐式表面特征,其中隐式特征经由线性层被转换为基元类型得分。显式特征和原始分数由地面实况数据监督。为了强制执行原始鉴别器和隐式特征是本地的,我们仅从低于鉴别器输入的一定距离阈值的闭合点对中采样隐式特征。实验表明,我们在ABC数据集[31]和几个指标下的自收集值得注意的是,在ABC数据集上,我们的平均精度比最先进的方法高出46.3%。我们通过处理块并无缝合并它们来烧蚀研究表明,本地属性的性能是至关重要的,我们的高分辨率骨干进一步提高了预测。我们的显式属性监督有助于提高对不同噪声水平的鲁棒性最后,我们将我们的方法集成到一个强大的管道抽象扫描点云作为轻量级模型。总而言之,我们的核心研究贡献是:• 我们设计了一个对抗性的原始嵌入网络,学习判别局部表面属性。• 我们提出了一个高分辨率的骨干相结合的点和体素功能。• 我们的设计显著优于最先进的技术,可以处理非常大规模的环境。• 我们将我们的算法集成到一个流水线,从真实的扫描中产生轻量级模型。2. 相关作品原始拟合点云的原始拟合是对输入点进行聚类并使用显式参数模型拟合的过程。两个常见的方向是通过Ransac [9,17,30,8,59]和区域生长[41,51]。Ransac迭代估计参数模型以拟合内点,其中稳健的Ransac框架[53]是可用的。区域生长方法拟合局部基元并传播假设,直到拟合误差不可接受。[36,48,44,25]基于附加假设进一步细化或正则化原始几何形状。这些方法通常遭受由噪声或复杂表面结构引起的低预测精度。为了解决这些问题,已经提出了基于监督[68]和非监督[60,56,16]学习的基元拟合然而,拟合精度仍然不理想,并且[68,60,16]仅支持长方体拟合。[35]将点分类为有限数量的实例。[57]使用具有后聚类步骤的三元组丢失来分割实例。这些方法提取的对象的全局特征,很难扩展到场景级别。[39]学习最终分割对错误预测敏感的边界。我们的网络设计侧重于恢复分割的本地属性,并支持大规模和准确的原始分割。基元拟合是根据形状组装[5,32,23]、空间切片[45,4,2]或外壳提取[26,43]所需的扫描进行整体3D重建的重要步骤。虽然这些方法根据几何启发式提取原始实例,但我们的方法可以通过提供学习实例来替换这些部分。我们证明了我们的结果有利于[43]生成干净和轻量级的模型。语义实例分割将基本类型视为语义类,我们的任务类似于语义实例分割,其中场景级解决方案可用[67,24,33,46,66]。虽然对象中心是学习的一个有效特征[29,15,22],但原始中心可以由不同的实例共享,因此不是区分特征。我们的网络学习由对抗度量指导的反映局部表面属性的15345E{}PCE产品编号E--N×6N×6KNN2层PointNetN× 16PN(6,16)SparseConvNetN×16M×16Spconv(k,2k,.,6k,7k,6k,.,k)PN(16,16)体素化联系我们���∗,���∗N×(6+26)M×16G-LossN×32N×16去oxelization���∗concat线性(26,C)MLP(32,64,32)(a)本原嵌入网络<联系我们{,,>}���������E×2×32{,,>}E×32E×2最大池BCE-损失<,MLP(32,64,32,2),联系我们<关于我们P-Loss(b)原始鉴别器网络图2. PrimitiveNet架构。我们联合训练(a)原始嵌入网络和(b)鉴别器网络。我们结合PointNet [49]和SparseConvNet [20]来提取高分辨率特征,其中显式和隐式特征由地面真值切空间(G-Loss)和原始类型(P-Loss)监督,并使用二进制交叉熵(BCE)与鉴别器联合训练3D主干3D特征提取主干已经针对基于点的网络[49,50,64]和基于体素的网络[42,20,7]。虽然稀疏卷积[20,7]是有限分辨率下语义分割的最有效解决方案之一,但点网络准确地描述了点位置处的特征。[38,58]通过连接点坐标和体素特征来解决分辨率问题。我们通过将点网[49]特征集成到稀疏卷积[20]中以提供高分辨率点特征来进一步改进它。度量学习对比损失[21]和三重损失[54]是深度度量学习的两个广泛使用的损失函数。因此,可以学习Mahalanobis距离来测量样本的相似性[13,19,55,62]。已经提出了深度学习方法来学习非线性映射[10,40,61,63]。最近的方法[14,6,27]进一步探索了对抗网络作为学习指标。我们引入这样的对抗性度量到原始分割任务中。3. 方法3.1. 概述我们问题的输入是<,,>作为一组点可选地,具有包括点颜色或法线的点特征,以及<表示P1和P2是邻居的边集合。我们的目标是将生成为无噪声点云V={vi}其中每点表面法线N={ni}且实例标签L={li},其中具有相同标签的点属于相同的原始实例。对于特定的应用程序,要求具体的原始参数,我们产生原始类型分类得分S=Si的每个实例中,参数可以直接计算通过primitive拟合给定的点位置和法线。而不是直接计算实例标签作为一个功能的问题,我们将其转换为一个决策问题,以决定相邻点是否属于同一个实例。结果,相同实例内的子集形成图,其中每个连接的组件表示基元实例。因此,我们提出了我们的解决方案作为高分辨率的原始嵌入网络(图2(a))和原始鉴别器网络(图2(b))。嵌入网络将输入作为具有每点位置和特征的点云,并且输出反映局部表面性质的每点特征。鉴别器将输入作为特征对,并为每一对产生一个二维向量,指示它们是否来自同一实例。我们在3.2节讨论了嵌入网络第3.3节中的原始鉴别器。第3.4节描述了在推断时间期间训练和生成最终分割的细节3.2. 高分辨率基元嵌入嵌入网络的作用是提取反映局部表面特性的点特征。Y=fe(P,C;θe)( 1)该网络是具有参数θe(等式1)的函数fe,其将点P及其特征C映射到更高维特征Y,其中yi反映局部表面15346SDEEEEGE2我2我2Lbceij点p的具体地说,yi由显式几何特征(vi和ni)和隐式潜在特征(Xi)组成.我们将显式几何特征设置为围绕pi的局部切空间。具体地,我们将pi的局部切空间定义为其在地面真实形状处的最近位置vi,其表面法线为ni。 这种显式特征的设计目的是正则化网络以预测噪声下的局部性质。因此,显式特征由地面实况数据v*和n*使用几何损失(图2(a)中的G-损失),其中ε表示与数据相关的噪声的尺度。(a) 全局分割(b) 局部分割I1L=||v -v*||2个以上||n-n*||2(二)隐式特征旨在将丰富且更复杂的局部表面属性编码为高维向量。If原语(c) 全局特征(d) 局部特征类型,我们可选地将隐式特征Xi传递到线性层fs(等式3)si=fs(Xi;θs)(3)以产生k个基元类型中的每一个的得分Si 我们将地面真值标签s*i视为一个单热向量,以监督具有原始类型损失i(图2(b)中的P-损失)的X i,使用交叉熵它还可以被原始判别器(第3.3节)用于区分不同的实例。我们的网络架构设计中的一个贡献是高分辨率嵌入网络fe,其结合PointNet [49]和稀疏卷积[20]以提供高分辨率点特征。[38,58]已经提出了类似的想法,其中从体素特征的三线插值获取点特征,然后是MLP层。然而,我们发现这样的插值是不足以描述高分辨率的功能,在我们的任务。我们将点及其局部邻居传递到2层PointNet [49](图2(a))中,以点分辨率描述特征。在每个PointNet块内,点特征通过MLP层,并与k= 16个最近邻点的特征进行最大池化。这些特征被平均为所属的体素,并使用稀疏卷积[20]通过UNet结构[34]体素特征被复制回点并与PointNet特征连接。 最后,我们通过了它通过MLP层来描述yi=vi,ni,Xi>。<3.3. 本原判别器基元鉴别器(yi,yj;θb)的作用是确定两个特征yi和 yj是否属于同一个基元实例。网络架构如图2(b)所示。特征对yi和yj经由边缘集选择融合的特征通过MLP层以生成二维分数bi,j,表示点i和j是否属于不同的实例。这是由地面实况监控的-立场标签{li*}使用二进制跨中心py,如中所示图3. (a)基于全局采样对的超分割算法视野(b)使用网格中的相邻顶点进行分割以进行监督。(c)(a)的三个最显著维度(d)(b)的三个最显著维度的特征可视化等式4.L(i,j)=CrossEntropy(bi,j,l*l*)(4)b*i,j是二进制值,取决于li是否等于lj。在训练期间,鉴别器评估每对边集中的点。边缘的选择是重要的,因为它导致不同的特征解释。例如,我们可以随机选取点对来形成,其中鉴别器和隐式特征在全局范围内训练。另一种选择是定义为三角形网格中的边,其中只有局部邻域中的闭合点由鉴别器评估。图3(a,b)示出了其中利用全局或局部对来监督因此,本地监督显然更好。图3(c,d)可视化了隐式特征的三个虽然全局监督在同一图元内产生均匀的颜色,在不同图元之间具有平滑的变化,但局部监督鼓励特征突出局部边界并且对于分割更鲁棒。因此,我们构造从局部邻域中采样,这有助于训练原始鉴别器以及嵌入特征来捕获局部表面特性。如果输入是三角形网格,我们直接从三角形边提取边集否则,我们生成k= 16个最近邻每个点形成E。3.4. 执行在训练过程中,我们接受带有或不带有原始类型标签的数据集。如果给出本原类型信息,我们优化网络参数(θe,θs,θb)为我我15347NS--LEEVN不超过←←←←←←←←如等式5所示。L=Σ(Li+Li)+Σ(i,j)(五)算法一:基于区域生长的图元分割。输入:E={∈E公元前i<,j>是否是实例边界。输出:每点实例标签{l i}。如果未标记基元类型,则省略线性层fs和损失i对于其中点在[ 1,1]中被归一化和有界的对象数据集,我们设置ε= 0。1.一、对于一个真正的场景数据集,单位为米,我们设置ε= 0。05.在推断期间,我们获得对清理的点云的预测,并且可选地获得每个点的每点基元类型。 我们依靠原始判别网络来决定内部的每对点是否属于同一实例。理想情况下,我们可以收集属于相同实例的边以形成图,其中每个连接的组件都是一个基元实例。然而,跨不同实例的bi,j的任何错误预测将导致li和lj的不正确合并。所以我们I i0i<=N。ID1。对于i1到N,如果li0,则Q.push(i)liidwhileQ不为空vQ.front()对于v的j个 邻居,如果hv,j= 0,则lj-id继续结束如果lj≤0且lj-id,则使用区域增长方法来保守地增长每个实例的区域。当增长区域时,我们确保新添加的点不与当前区域中的任何点冲突。实现的细节在算法1中示出。如果原始类型被训练,我们简单地将实例的原始类型设置为在该实例中与每个点预测具有最大重叠的4. 实验我们在第4.1节中与现有方法进行了比较,在那里我们表明我们的方法可以处理非常大的场景。消融研究(第4.2节)强调了我们的新型设计的贡献。最后,我们展示了一个重要的应用程序,抽象扫描的改进ljidQ.推(j)endendQ.pop()端结束结束最佳匹配片段的预测精度对于实例分割,另一个常用的度量是平均平均精度,将片段视为高于某个平均IOU的内点,包括AP25、AP50和AP [11,29]。作为轻量级模型使用我们在4.3节中的方法。4.1. 比较我们选择了几个国家的最先进的方法,可以潜在地用于原始实例分割。虽然[35]首先提出了一种原始拟合网络,但ParseNet [57]是一种最近的方法,其性能优于它,并且是用于图元实例分割和拟合的当前技术水平。BoundaryNet [39]显式地学习边界并使用它们来分割零件实例。PointGroup [29]是当前最先进的语义实例分割方法之一,它可以直接应用于我们将原语类型视为语义类的任务我们采用了几个评价指标,在现有的方法。在ParseNet [57]之后,分割均值IOU(“segmIOU”)计算最佳匹配片段的平均均值IOU,其测量预测片段与地面实况片段的总体相似性。标记IOU(ABC数据集ABC数据集[31]是一个大型CAD模型数据集,具有实例ID和基元类型的逐点标记的注释。我们以3:1的比例将数据集随机分割为训练集和测试集。我们将我们的方法与PointGroup [29],BoundaryNet [39]和ParseNet [57]进行了比较。在测试期间,我们用全分辨率评估所有方法。由于BoundaryNet和ParseNet接受有限数量的点作为输入,我们随机选择网络可以承受的1万个点,并根据最近的邻居将预测映射到全分辨率。表1显示了测试集中不同度量下不同方法的得分。我们优于现有的方法下的整体metrics,包括segmIOU和标签mIOU。值得注意的是,我们在AP相关指标下显著优于现有方法,表明我们更擅长处理小实例。贡献主要来自于我们的具有局部表面性质学习的高分辨率网络。具体来说,我们的原始嵌入网的联合学习-L15348(a) ParseNet(b)BoundaryNet(c)PointGroup(d)Ours(e)Ground Truth图4. ABC数据集上的原始实例分割的可视化[31]。我们的方法正确地恢复各种原始类型的小实例,并优于现有的国家的最先进的。seg mIOU标签mIOUAP25AP50APParseNet71.1%百分之八十九点九百分之二十五点七百分之十五点三百分之十一点四边界网63.5%百分之九十点六百分之二十一点五百分之十三点六百分之十点四表1. ABC数据集上的原始实例分割的评估。我们的方法优于现有的国家的最先进的,特别是根据AP相关的指标。(a)点云(b)CAD模型(c)地面实况实例与具有边界预测[39],实例中心作为显式监督[29]或使用三元组损失的全局描述性特征[57]的方法相比,工作和鉴别器显示出更高的鲁棒性图4显示了几个示例(d) 场景预测(e) 放大预测其中我们准确地恢复具有各种原语类型的小原语实例真实场景数据集我们的方法可以直接应用于大场景中的真实数据。由于没有可用的具有原始级注释的真实世界场景级扫描,因此我们准备了自收集的数据集并将其用于比较。我们收集了154个场景点云(图5(a)),其与用Navvis3捕获的室内和室外扫描混合或从多视图立体重建。对于每次扫描,我们要求有经验的艺术家绘制CAD模型(图5(b)),以突出显示与扫描点云对齐的结构对于每个CAD模型,我们认为相邻三角形来自同一实例,如果它们的3https://www.navvis.com/m6图5. 真实场景数据集。 我们捕获(a)真实扫描并绘制(b) 精确对齐的CAD模型。(c)实例标签从CAD模型传播到扫描以进行训练。(d,e)我们为具有极大规模的场景产生实例分割正常角度低于15°。我们通过最近的邻居将实例标签映射到原始点云(图5(c))。在这个实验中,我们假设没有给出原始类型的信息。根据点与CAD模型的最近邻距离是否小于0.1m,将点标记为由于收集的场景是巨大的,我们进一步将它们分成25米3的块。我们以3:1的比例将数据集分为训练集和测试集。我们训练了不同的方法,并与15349(a) ParseNet(b)BoundaryNet(c)PointGroup(d)Ours(e)Ground Truth图6.真实场景的基元实例分割与其他方法相比,我们产生了最合理的分割seg mIOUAP25AP50APParseNet百分之四十五点四百分之六点四二点九厘百分之一点五边界网百分之五十三点三百分之四十七点八百分之三十二点四百分之二十四点五点编组60.3%百分之十二点九百分之六点八5.0%我们百分之六十六点九60.0%46.9%百分之三十九点一表2.基于自采集真实场景数据集的基元实例分割评估。测试集表2示出了在不同度量下的得分,其中由于原语类型不可用,因此不报告标签mIOU。与ABC数据集上的结果类似,我们在整体指标下优于现有方法,并在AP相关指标下显示出显着改进。根据图6,我们在场景级别产生最合理的分割。我们的方法可以通过聚合鉴别器预测来无缝合并块,并在整个场景中运行算法1图5(d,e)可视化了我们对覆盖0.1km2的具有超过500M个点的大场景的原始分割。4.2. 消融研究高分辨率我们实验了不同的网络选择作为我们的基本嵌入网络的ABC数据集上的骨干。骨干的替代选择包括PointNet++ [50],DGCNN [64],SpConv [20]15350EE表3. 使用我们的方法在ABC数据集上使用不同的主干进行原始实例分割评估。或SPVCNN [58]。我们用这些方法替换我们的高分辨率骨干,并在ABC数据集上训练网络我们在表3中评估了不同的主链。结果表明,具有稀疏卷积的骨干( Sp-Conv [20] 或SPVCNN [58]) 优于 其 他两 种网络 。 我 们 的 高 分 辨 率 骨 干 网 结 合 PointNet [49] 和SpConv [20]实现了最佳局部表面性质我们的见解之一是通过鼓励嵌入网络和鉴别器专注于局部邻域中的鉴别特征来学习局部表面性质。根据第3.3节,关键的区别是选择用于鉴别器训练的边缘集。我们的方法只选择封闭的点对根据。我们实验了两种替代方法,其中全局方法随机选取整个点云中的点对,半局部方法随机选取距离小于3的点对。表4列出了PointNet++百分之七十一点八87.9%百分之二十八点四16.5%百分之十二点七DGCNN72.0%百分之八十九点一百分之三十点一百分之十七点四13.0%15351切线无切线表4. 在不同距离尺度下对ABC和真实数据集监督点对的评估欧氏马哈纳洛比斯我们差额借据71.1%69.8%88.8%表5. ABC数据集上的评估,其中原始嵌入网络使用不同的度量进行训练。不同噪声尺度下的分割质量(a)扫描A(c)扫描B(b)A(d)B的抽象65图8. 我们的方法可以集成到[43]中以抽象扫描(a,c)作为轻量模型(b,d)。605550表6.扫描中的三角形数量,来自不同45个抽象解决方案和人类创建的CAD模型。40350.002 0.003 0.004 0.005 0.006 0.007 0.008 0.009 0.010噪声图7.与切空间预测,我们的方法是更强大的不同程度的噪音。在ABC和真实数据集上通过选择不同尺度的边缘来得分。因此,局部监督是原始实例分割的最佳选择。我们的对抗性度量的替代方案包括使用三元组损失训练的欧氏距离或Mahanalobis距离(E-dis或我们根据网络预测和地面实况报告连接不同实例的边缘的IOU。如表5所示,与这些替代方案相比,我们的对抗性度量获得了最佳得分,这可能是因为对抗性度量具有更大的能力来区分隐式局部表面属性。为了理解我们的方法在不同噪声水平下的行为,我们通过在不同尺度上用随机高斯噪声扰动每个点来模拟ABC数据集上的噪声图7示出了不同噪声尺度下的预测我们的切空间预测,改进了我们的方法,使其更强大的分割原始实例在不同的噪声尺度。4.3. 应用通过我们的方法产生的结果可以通过几何处理算法[5,32,23,4,2,43]进一步处理,以将点云抽象为轻量级模型。我们首先使用[3]对扫描的点云进行三角测量。我们预测实例分割并实现[43]以导出抽象形状。图8示出了两个场景(A和B),其中扫描被转换为轻量模型,其中几何结构被很好地保留。在表6中,我们另外报告了来自原始扫描的三角形的数量[51]结合传统的原始分割[51],我们的结果和人类创建的CAD模型。虽然抽象的结果保留了几何形状,但它不像人类创建的CAD模型那样干净或轻量级。这是[43]的局限性,其中正确组装原语是另一个开放的研究问题。然而,我们发现我们的方法比[51]结合[43]产生更少的三角形,表明我们的方法优于这种管道的传统图元检测。我们在补充材料中提供了更多的结果和比较。5. 结论我们提出了一种新的原始实例分割方法,通过联合训练嵌入网络和鉴别器来学习局部表面属性。它显著优于现有的作品和处理大场景。我们的方法有利于传统的算法抽象点云作为轻量级的3D模型。ABC数据seg mIOU 标签mIOUAP25AP50AP全球百分之七十三点六87.9%百分之五十二点六35.3% 百分之二十五点九半局部76.1%百分之九十一点一百分之五十九点八百分之四十四点九百分之三十八点七我们的(Ours)百分之八十五点七91.3%74.3% 63.0% 57.7%AP(%)场景输入[43] +[51][43]第四十三话CAD一18M163k52k7kB12M94k39K12k15352引用[1] Agisoft metashape。https://www.agisoft.com/网站。一个[2] Jean-Philippe Bauchet 和 Florent Lafarge 。 动 态 形 状 重建 。 ACM Transactions on Graphics ( TOG ) , 39(5):1-14,2020。一、二、八[3] 多布丽娜·博尔奇和布鲁诺·莱维。简单且可扩展的曲面重建。博士论文,Loria-Universite´ de Lorraine; INRIANancy,2016。八个[4] 亚历山大·布尔奇,马丁·德·拉·戈尔塞,雷诺·马勒. 基于边角正则化的分段平面三维重建计算机图形论坛,第33卷,第55-64页。Wiley Online Library,2014. 二、八[5] 陈洁 和陈 宝泉 。稀 疏扫 描范围 数据 的建 筑建 模。International Journal of Computer Vision,78(2-3):223-236,2008. 一、二、八[6] 陈朔、陈宫、杨建、李相、杨威、李钧。对抗性度量学习。arXiv预印本arXiv:1802.03170,2018。三个[7] Christopher Choy,JunYoung Gwak,Silvio Savarese. 4dspatio-temporalconvnets : Minkowskiconvolutionalneural networks.在IEEE/CVF计算机视觉和模式识别会议论文集,第3075- 3084页二、三[8] Ondrej Chum和Jirı Matas。随机化ransac与td,d检验。在Proc. British Machine Vision Conference,第2卷,第448-457页二个[9] Ondrej Chum和Jiri Matas。与prosac匹配-渐进样本共识。在2005年IEEE计算机社会计算机视觉和模式识别会议(CVPRIEEE,2005年。二个[10] Yin Cui,Feng Zhou,Yuanqing Lin,and Serge Belongie.使用深度度量学习进行细粒度分类和数据集自举,人类参 与 其 中 。 在 Proceedings of the IEEE conference oncomputer vision and pattern recognition , 第 1153-1162页,2016中。三个[11] Angela Dai、Angel X Chang、Manolis Savva 、MaciejHal- ber 、 Thomas Funkhouser 和 Matthias Nießner 。Scannet:室内场景的丰富注释3D重建。在IEEE计算机视觉和模式识别会议论文集,第5828-5839页,2017年。五个[12] AngelaDai , MatthiasNie ßner , MichaelZoll höfer ,ShahramIzadi,and Christian Theobalt.Bundlefusion:使用动态表面重新整合的实时全局一致3d重建。ACMTransactions on Graphics ( TOG ) , 36 ( 3 ) : 24 ,2017。一个[13] Jason V Davis,Brian Kulis,Prateek Jain,Suvrit Sra,and Inderjit S Dhillon.信息理论度量学习。第24届机器学习国际会议论文集,第209-216页,2007年。三个[14] 段跃奇,郑文钊,林旭东,卢吉文,周杰。深度对抗度量学习。在IEEE计算机视觉和模式识别会议论文集,第2780-2789页,2018年。三个[15] Francis Engelmann , Martin Bokeloh , Alireza Fathi ,Bastian Leibe,and Matthias Nießner. 3d-mpa:用于3d语义实例分割的多提议聚集。在Pro-IEEE/CVF计算机视觉和模式识别会议的论文集,第9031-9040页,2020年。二个[16] 方浩,弗洛朗·拉法基,马修·德斯布伦。结构尺度下的平面形状检测。在IEEE计算机视觉和模式识别会议集,第2965-2973页,2018年。二个[17] Martin A Fischler和Robert C Bolles。随机样本一致性:一个范例模型拟合与应用程序的图像分析和自动制图。Communications of the ACM,24(6):381-395,1981.二个[18] 迈克尔·加兰和保罗·S·赫克伯特。使用二次误差度量的曲 面 在 Proceedings of the 24th annual conference onComputer graphics and interactive techniques,pages 209-216,1997中。一个[19] 阿米尔·格洛伯森和山姆·罗维斯通过折叠类进行度量学习。神经信息处理系统进展,18:451-458,2005。三个[20] 本杰明·格雷厄姆和劳伦斯·范德马滕。子流形稀疏卷积网络。arXiv预印本arXiv:1706.01307,2017。二、三、四、七[21] Raia Hadsell,Sumit Chopra,and Yann LeCun.通过学习不变映射进行降维在2006年IEEE计算机协会计算机视觉和模式识别会议(CVPRIEEE,2006年。三个[22] 雷寒、天正、蓝旭、陆方。Occuseg:占用感知3D实例分割。在IEEE/CVF计算机视觉和模式识别会议论文集,第2940-2949页二个[23] ThomasHolzmann , MichaelMaurer , FriedrichFraundorfer,and Horst Bischof.基于平面正则化的语义感知城市三维在欧洲计算机视觉会议(ECCV)的会议记录中,第468-483页,2018年。一、二、八[24] Ji Hou , Angela Dai , and Matthias Nießner.3D-SIS :RGB-D扫描的3D在IEEE/CVF计算机视觉和模式识别会议论文集,第4421-4430页,2019年。二个[25] Jingwei Huang , Angela Dai , Leonidas J Guibas , andMatthias Nießner. 3dlite:面向内容创建的商品3d扫描。ACM Trans. Graph. ,36(6):2032[26] Jingwei Huang,Hao Su,and Leonidas Guibas.shapenet模型的鲁棒arXiv预印本arXiv:1802.01698,2018。二个[27] Jingwei Huang , Justus Thies , Angela Dai , AbhijitKundu , Chiyu Jiang , Leonidas J Guibas , MatthiasNießner,Thomas Funkhouser,et al.基于rgb-d扫描的对抗性纹理优化。在IEEE/CVF计算机视觉和模式识别会议论文集,第1559- 1568页三个[28] Shahram Izadi , David Kim , Otmar Hilliges , DavidMolyneaux , Richard Newcombe , Pushmeet Kohli ,Jamie Shotton,Steve Hodges,Dustin Freeman,AndrewDavison,et al.运动融合:使用移动深度照相机的实时3D重建和交互。第24届ACM用户界面软件和技术研讨会集,第559-568页。ACM,2011年。一个15353[29] 李江,赵恒双,史少帅,刘舒,傅志荣,贾佳雅.Pointgroup:用于3D实例分割的双设置点分组。在IEEE/CVF计算机视觉和模式识别会议论文集,第4867-4876页,2020年。二、五、六[30] 康志忠和李震。基于高效多贝叶斯算法的基元拟合。PloS one,10(3):e0117341,2015. 二个[31] Sebastian Koch 、 Albert Matveev 、 Zhongshi Jiang 、Francis Williams、Alexey Artemov、Evgeny Burnaev、Marc Alexa、Denis Zorin和Daniele Panozzo。Abc:用于几何深度学习的大型CAD模型数据集。 在IEEE/CVF计算机视觉和模式识别会议论文集,第9601-9611页,2019年。一、二、五、六[32] 弗洛伦特·拉法基和皮埃尔·阿利兹。通过点集结构进行曲面重构。计算机图形论坛,第32卷,第225-234页。Wiley Online Library,2013. 一、二、八[33] Jean Lahoud , Bernard Ghanem , Marc Pollefeys , andMartin R Oswald.通过多任务度量学习的3d实例分割。在IEEE/CVF计算机视觉国际会议论文集,第9256-9266页,2019年。二个[34] Buyu Li,Wanli Ouyang,Lu Sheng,Xingyu Zeng,andXiaogang Wang. Gs3d:一个高效的自动驾驶三维物体检测框架。在IEEE/CVF计算机视觉和模式识别会议论文集,第1019-1028页,2019年。四个[35] Lingxiao Li,Minhyuk Sung,Anastasia Dubrovina,LiYi,and Leonidas J Guibas.几何图元到三维点云的监督拟合在IEEE/CVF计算机视觉和模式识别会议论文集,第2652-2660页,2019年。一、二、五[36] Yangyan Li,Xiaokun Wu,Yiorgos Chrysathou,AndreiSharf,Daniel Cohen-Or,and Niloy J Mitra. Globfit:通过发现全局关系来一致地拟合基元在ACM SIGGRAPH2011论文中,第1-12页。2011. 二个[37] 彼得·林德斯特罗姆大型多边形模型的核心外简化在Proceedings of the 27th annual conference on Computergraphics and interactive techniques,pages 259一个[38] Liu Zhijian Liu ,Haotian Tang,Yujun Lin,and SongHan.点-体素cnn用于高效的3d深度学习。arXiv预印本arXiv:1907.03739,2019。三、四[39] Marios Loizou , Melinos Averkiou , and EvangelosKaloger-akis.从三维点云学习零件边界。在ComputerGraphics Forum,第39卷,第183Wi-ley在线图书馆,2020年。一、二、五、六[40] Jiwen Lu,Jun
下载后可阅读完整内容,剩余1页未读,立即下载
![.pdf](https://img-home.csdnimg.cn/images/20210720083646.png)
![.pdf](https://img-home.csdnimg.cn/images/20210720083646.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://profile-avatar.csdnimg.cn/default.jpg!1)
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
我的内容管理 收起
我的资源 快来上传第一个资源
我的收益
登录查看自己的收益我的积分 登录查看自己的积分
我的C币 登录后查看C币余额
我的收藏
我的下载
下载帮助
![](https://csdnimg.cn/release/wenkucmsfe/public/img/voice.245cc511.png)
会员权益专享
最新资源
- 京瓷TASKalfa系列维修手册:安全与操作指南
- 小波变换在视频压缩中的应用
- Microsoft OfficeXP详解:WordXP、ExcelXP和PowerPointXP
- 雀巢在线媒介投放策划:门户网站与广告效果分析
- 用友NC-V56供应链功能升级详解(84页)
- 计算机病毒与防御策略探索
- 企业网NAT技术实践:2022年部署互联网出口策略
- 软件测试面试必备:概念、原则与常见问题解析
- 2022年Windows IIS服务器内外网配置详解与Serv-U FTP服务器安装
- 中国联通:企业级ICT转型与创新实践
- C#图形图像编程深入解析:GDI+与多媒体应用
- Xilinx AXI Interconnect v2.1用户指南
- DIY编程电缆全攻略:接口类型与自制指南
- 电脑维护与硬盘数据恢复指南
- 计算机网络技术专业剖析:人才培养与改革
- 量化多因子指数增强策略:微观视角的实证分析
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035111.png)
安全验证
文档复制为VIP权益,开通VIP直接复制
![](https://csdnimg.cn/release/wenkucmsfe/public/img/green-success.6a4acb44.png)