SpareNet:Style-based Point Generator with Adversarial Rendering for Point Cloud Completion(CVPR2021)

最新推荐文章于 2022-08-22 16:05:11 发布
最新推荐文章于 2022-08-22 16:05:11 发布
阅读量997 收藏 6
点赞数
分类专栏： 点云 补全
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/BararAlice/article/details/117660032
版权

SpareNet
代码块链接：https://github.com/microsoft/SpareNet

（本文只是个人学习记录的笔记，仅做参考）

基于对抗渲染样式点生成器的点云补全

本文提出了一种新的基于样式的点生成器与对抗渲染(SpareNet)点云补全网络。首先，提出了充分利用点的局部特征和全局特征的基于Channel-Attentive EdgeConv.算法。在StyleGAN的启发下，将形状特征作为在折叠过程中调节规格化层的样式代码，极大地增强了其功能。第三，认识到现有的点监督，如倒角距离，不能真实地反映重建点的感知质量。为了解决这个问题，我们建议使用一个可区分的渲染器将完成的点投射到深度地图上，并应用对抗性训练来提倡不同观察点下的补全效果。
在这里插入图片描述

SpareNet网络架构，编码器E将部分点编码为形状G，由基于样式的生成器G合成一个粗粒度补全的结果Yc ，之后使用R不断精炼，得到最后的结果Y，使用对抗性来做点的绘制，完成最后结果。

Channel-Attentive EdgeConv（CAE）：

最低0.47元/天 解锁文章
BararAlice
关注
  • 0
    点赞
  • 踩
  • 6
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
干货！SpareNet：基于样式和对抗性渲染的点云补全
AITIME_HY的博客
12-24 2362
点击蓝字关注我们AI TIME欢迎每一位AI爱好者的加入！在本文中，我们提出了一种基于样式和对抗性可微分渲染的点云生成器(SpareNet) 用于点云补全。首先，我们提出了基于通道注意力的...
Cascaded Refinement Network for Point Cloud Completion 论文阅读
wuprogrammer的博客
05-06 1983
标题翻译：用于点云补全的级联优化网络 1.Abstract 点云是稀疏且不完整的，已经存在的方法很难生成物体的细节、学习到复杂的点分布。 因此我们提出一种级联优化网络，使用一种从粗糙到细节的策略，来合成点云的细节信息。 考虑到局部输入的局部细节以及全局形状信息，我们保留不完整点集中的现有细节，并以较高的准确率生成具有的缺失部分。 我们还设计了一个patch-based discriminator，...
AMiner会议论文推荐第五十七期
AI_Conf的博客
03-31 352
AMiner平台由清华大学计算机系研发，拥有我国完全自主知识产权。平台包含了超过2.3亿学术论文/专利和1.36亿学者的科技图谱，提供学者评价、专家发现、智能指派、学术地图等科技情报专业化服务。系统2006年上线，吸引了全球220个国家/地区1000多万独立IP访问，数据下载量230万次，年度访问量超过1100万，成为学术搜索和社会网络挖掘研究的重要数据和实验平台。 CVPR 2021 论文推荐 图像目标检测(Image Object Detection)5篇 【1】Instance Localiza.
SpareNet运行、学习、debug（未完持续更新中）
zerolord的博客
02-11 750
机智的毕业设计
【ICCV2021】PoinTr: Diverse Point Cloud Completion with Geometry-Aware Transformers论文速读
毛毛的博客
10-11 1820
文章目录前言摘要1.介绍3.方法3.1. Set-to-Set Translation with Transformers3.2. 点代理生成3.3. 几何敏感的Transformer BlockQuery生成器多尺度点云生成4.结果4.1 KITTI上的BEV目标检测5.总结 前言 1. 为什么要做这个研究？ 2. 实验方法是什么样的？ 3. 得到了什么结果？ 摘要 本文主要解决从部分点云中恢复完整点云的任务。作者设计了一种新的点云补全模型PoinTr，将点云补全问题转化为集合到集合的平移问题，该模型
cesium-point-cloud-generator:一个基于Java的小型工具，用于根据Cesium 3D Tiles生成点云可视化数据集
05-05
铯点云生成器 介绍 Cesium点云生成器（CPCG）是一个基于Java的小型工具，用于根据Cesium 生成点云可视化数据集。 通过使用本地便携式SQLite数据库，它可以获取以XYZ文本文件形式给出的3D点云数据集（可能包括每个点...
mybatis-plus最新代码生成器项目源码 ：mybatis-plus-generator.zip
07-20
mybatis-plus最新代码生成器项目源码 ：mybatis-plus-generator.zip mybatis-plus最新代码生成器项目源码 ：mybatis-plus-generator.zip mybatis-plus最新代码生成器项目源码 ：mybatis-plus-generator.zip ...
koahub-demo-generator：koahub-demo-generator
02-03
KoaHub.js演示（生成器）KoaHub.js KoaHub.js-基于Koa.js平台的Node.js Web快速开发框架。可以直接在项目里使用ES6 / 7（生成器函数，类...进入项目cd koahub - demo - generator// 安装依赖npm install// 启动项目npm
go-sitemap-generator:go-sitemap-generator是在Go中生成Sitemap的最简单方法
05-09
go-sitemap-generator是在Go中生成Sitemap的最简单方法。 从版本2.0.0开始，此存储库可以作为。 package main import ( "github.com/ikeikeikeike/go-sitemap-generator/v2/stm" ) func main () { sm := stm . ...
EMD的matlab代码分享-MSN-Point-Cloud-Completion:用于密集点云完成的变形和采样网络(AAAI2020)
06-12
EMD的matlab代码分享MSN：用于密集点云完成的变形和采样网络 MSN是一种基于学习的形状补全方法，可以保留已知结构并生成密集且分布均匀的点云。 有关更多详细信息，请参阅我们的 AAAI 2020。 在这个项目中，我们还提供了点云的地球移动距离（EMD）的实现，它基于拍卖算法，只需要 $O(n)$ 内存。 完成后获得 32,768 分 用法 1) 环境和先决条件 pytorch 1.2.0 CUDA 10.0 Python 3.7 2) 编译 编译我们的扩展模块： cd emd python3 setup.py install cd expansion_penalty python3 setup.py install cd MDS python3 setup.py install 3) 下载数据和训练好的模型 从 下载数据和训练模型。 由于规模较大，我们不提供训练集的部分点云。 如果要训练模型，可以使用 和 生成它们。 我们为每个 CAD 模型生成 50 个局部点云。 4) 训练或验证 运行python3 val.py来验证模型或python3 train.py从头训练模型。 E
Image-to-Image Translation with Conditional Adversarial Networks
04-18
而条件对抗网络（Conditional Adversarial Networks, GANs）提供了一种通用的解决方案，能够广泛适用于这类问题。 条件对抗网络不仅学习输入图像到输出图像的映射关系，而且学习一个损失函数来训练这个映射。这使得...
《论文阅读》Point Cloud Completion by Skip-attention Network with Hierarchical Folding
未知丶的博客
11-19 1510
留个笔记自用 Point Cloud Completion by Skip-attention Network with Hierarchical Folding 做什么 点云的概念：点云是在同一空间参考系下表达目标空间分布和目标表面特性的海量点集合，在获取物体表面每个采样点的空间坐标后，得到的是点的集合，称之为“点云”（Point Cloud）。 点包含了丰富的信息，包括三维坐标X，Y，Z、颜色、分类值、强度值、时间等等，不一一列举。 一般的3D点云都是使用深度传感器扫描得到的，可以简单理解为相比2维点，
CVPR 2021|三维视觉相关论文汇总
3D视觉工坊
03-20 2140
作者丨Tom Hardy@知乎来源丨https://zhuanlan.zhihu.com/p/355149511编辑丨3D视觉工坊1、GDR-Net: Geometry-Guided Di...
2018最佳GAN论文回顾（下）
阿里云云栖号
01-16 1294
继上一篇《2018最佳GAN论文回顾（上）》，我又继续介绍了一个对于GAN的基于样式的生成器体系结构的新论文，提出了一个新的模型来应对这种挑战。 一种用于生成式对抗网络的基于生成器体系结构的方式（A Style-Based Generator Architecture for Generative Adversarial Networks） 这是NVIDIA的一篇新论文，一个对于GAN（...
【学术相关】CVPR2021最新接收论文合集！22个方向100+篇论文汇总｜持续更新
fengdu78的博客
03-09 8546
报道丨极市平台导读CVPR2021结果已出，本文为CVPR最新接收论文的资源汇总贴，附有相关文章与代码链接。文章在Github上持续更新，欢迎大家 star/fork（点击阅读原文即可...
[点云补全]-Point Cloud Completion by Skip-attention Network with Hierarchical Folding
alfred_torres的博客
07-22 3201
Point Cloud Completion by Skip-attention Network with Hierarchical Folding CVPR 2020 利用多级Folding结构和skip-attention来进行点云补齐 Folding结构是之前就有的，本文主要是利用skip-attention将folding结构堆叠起来，更加深了，有点像受到了ResNet和DeepGCNs的启发。 摘要 原文 译文 Point cloud completion aims to infe
点云补全综述 Comprehensive Review of Deep Learning-Based 3D Point Clouds Completion Processing and Analys
热门推荐
weixin_42155685的博客
08-22 1万+
点云补全是由部分点云衍生而来的一个生成和估计问题，在三维计算机视觉的应用中起着至关重要的作用。深度学习(DL)的发展令人印象深刻地提高了点云完成的能力和鲁棒性。但是，已完成的点云的质量仍需进一步提高，以满足实际利用。因此，本工作旨在对各种方法进行全面的调查，包括基于点、基于卷积、基于图和基于生成模型的方法等。本调查总结了这些方法之间的比较，以激发进一步的研究见解。此外，本文综述了常用的数据集，并说明了点云补全的应用。最后，我们还讨论了在这一迅速扩大的领域中可能出现的研究趋势。
A Style-Based Generator Architecture for Generative Adversarial Networks（论文翻译）
qq_30146937的博客
01-19 4114
A Style-Based Generator Architecture for Generative Adversarial Networks 你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Markdown编辑器, 可以仔细阅读这篇文章，了解一下Markdown的基本语法知识。 新的改变 我们对Markdown编辑器进行了一些功能拓展与语法支持，除了标准...
a style-based generator architecture for generative adversarial networks主要研究了什么
最新发布
03-30
《A Style-Based Generator Architecture for Generative Adversarial Networks》主要研究了一种基于样式的生成对抗网络（GAN）生成器架构，该架构可以生成高质量、高分辨率的图像。该论文提出了一种新的生成器架构，称为StyleGAN，它使用了一种新的样式转换技术，将输入的噪声向量转换为一组样式向量，然后使用这些样式向量来控制生成图像的各个方面，例如颜色、纹理、形状等。该架构还引入了一种新的生成器网络结构，称为渐进式增长（Progressive Growing），它可以逐步地增加图像的分辨率，从而生成更高质量的图像。这些技术的结合使得StyleGAN能够生成逼真的图像，有望在计算机视觉和图像生成领域得到广泛应用。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值