PointFlow: 3D Point Cloud Generation with Continuous ..论文阅读笔记

最新推荐文章于 2024-04-14 09:32:54 发布
最新推荐文章于 2024-04-14 09:32:54 发布
阅读量2.2k 收藏 2
点赞数 2
分类专栏： 日常记录 文章标签： python shell linux
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/WYKB_Mr_Q/article/details/121566152
版权

论文题目：《PointFlow: 3D Point Cloud Generation with Continuous Normalizing Flows》

看了这篇论文，对论文进行了一些总结，希望对大家有帮助~

这篇论文是ICCV会议上的一篇论文，发表时间是2019年

Idea： 对应于物体的点云被认为是物体表面的分布中的样本，而物体本身被认为是物体形状分布中的样本。提出PointFlow用于三维点云的原则性生成模型。学习分布的分布，前者是形状的分布，后者是给定形状的点的分布。

方法： 不直接对形状中点的分布进行参数化，而是将这种分布建模视为来自先验分布（例如：三维高斯）的三维点的可逆参数化转换。在这个模型中，为给定形状生成点需要从标准高斯先验中采样点，然后根据这个参数化变换将它们移动到目标形状中的新位置。
在这里插入图片描述

创新点： 提出连续归一化流(Continuous Normalizing Flow，CNF)。完整的生成模型由两级连续归一化流组成，一个是对潜变量的分布建模来对形状分布进行建模，另一个是对给定形状的点分布建模。除此之外，引入了一个推理网络，从点云中推断出潜变量分布。可以端到端进行训练。
在这里插入图片描述

优势： 变换的可逆性使得可以不只是抽样，而且能估计概率分布密度，从而能用变分推断的框架来训练模型。使用这个概率框架训练模型，可以避免训练GAN的困难，也避免了设计点集之间距离度量的困难。

输入： 通过CNF采样的点x

输出： 点云
在这里插入图片描述
在这里插入图片描述

日常学习记录，一起交流讨论吧！侵权联系~

WYKB_Mr_Q
关注
  • 2
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 2
    评论
专栏目录
3d-pointcloud-view.zip_3d point cloud_matlab ply_matlab 点云_点云显示
07-15
基于MATLAB的三维彩色点云的显示，真彩色，支持.ply格式，内附.ply格式的点云，
点云生成-PointFlow: 3D Point Cloud Generation with Continuous Normalizing Flows
qq_41178930的博客
08-23 8046
点云生成-PointFlow: 3D Point Cloud Generation with Continuous Normalizing Flows简介论文摘要1.introduction2.related works3. Overview4. Background4.1. Continuous normalizing flow 简介 2019_ICCV 论文 摘要 随着三维点云成为多种视觉和图形应用的首选代表，合成或重建高分辨率、高保真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
推荐开源项目：PointFlow - 创新的3D点云生成模型
最新发布
gitblog_00087的博客
04-14 292
推荐开源项目：PointFlow - 创新的3D点云生成模型 项目地址:https://gitcode.com/stevenygd/PointFlow PointFlow 是一个基于TensorFlow的深度学习框架，专门用于3D点云数据的生成。这个项目由Steven YGD开发，并且公开在GitCode上，为研究者和开发者提供了一个强大的工具，以模拟和生成高质量的3D点云。 项目简介 点云是描述...
sensor_msgs::LaserScan转换为sensor_msgs::PointCloud2
08-19
用于2d雷达生成点云地图，可在我的主页找使用教程
论文阅读笔记Vanishing Point Constrained Lane Detection With a Stereo Camera IEEE 2017
06-04
论文阅读笔记Vanishing Point Constrained Lane Detection With a Stereo Camera (IEEE 2017)
如何生成漂亮的点云渲染图？
09-05 4943
1. 背景介绍 之前笔者已经介绍过一种基于blender的点云渲染方法，利用blender软件以及一款对应的PCD插件，能够实现对点云的渲染。原文：https://blog.csdn.net/aliexken/article/details/118356716。 使用该渲染流程，能够利用blender强大的渲染工具，完成对点云的可视化渲染任务。但是，该方法在操作层面存在一些小问题，即渲染流程略显繁琐。通常我们在做论文的渲染图时，仅仅是处理一些比较简单的渲染任务，使用如此繁琐的渲染操作，有点杀鸡用牛刀。那
Normalizing Flows （NFs）- 理解
weixin_44522007的博客
02-21 564
Normalizing Flows （NFs）是一个生成模型系列，具有可操作的分布，其采样和密度评估都是有效和精确的。 被探索的大部分Flows是三角流triangular flows（coupling耦合或autoregressive自回归架构），Residual networks和Neural ODEs也正在积极研究和应用。 NORMALIZING FLOWS Coupling and Autoregressive Layers Affine Coupling
论文笔记Neural Ordinary Differential Equations
icylling的专栏
01-05 1682
Neural Ordinary Differential Equations
【PointFlow: Flowing Semantics Through Points for Aerial Image 】
CharilePuth的博客
03-16 4585
PointFlow: Flowing Semantics Through Points for Aerial Image Segmentation、
[Point Cloud] 点云&深度学习专题（1）：点云数据的基本概况
风中摇曳的小萝卜 的博客
07-27 7598
Learning Representations and Generative Models for 3D Point Clouds (ICLR 2018)
Python implements pointcloud RVIZ visualization with intensity.
08-19
Python implements pointcloud RVIZ visualization with intensity values and RGB color information. python编程利用ros自带的rviz可视化工具，将xyzi及xyzrgb点云数据进行可视化，以及用marker可视化一些形状特征...
3D-PointCloud:有关点云的论文和数据集
05-11
3D-点云 有关点云的论文列表和数据集。 数据集可以在找到。 调查文件 [arXiv 2021] [arXiv 2021] [arXiv 2021] [TPAMI 2020] [IJCV 2016] 2021年 心肺复苏术 [ compression ] [ completion ; ] [ ] ...
python点云数据处理_关于点云分析（处理）的论文和数据集清单
weixin_39654751的博客
12-19 1301
[CVPR] Relation-Shape Convolutional Neural Network for Point Cloud Analysis. [pytorch] [cls. seg. oth.]????[CVPR] Spherical Fractal Convolutional Neural Networks for Point Cloud Recognition. [cls. seg.][...
76篇 ICCV 2019 论文实现代码
热门推荐
git1314的博客
09-19 1万+
ICCV 2019 将于2019/10/27-2019/11/2在韩国首尔的 COEX 会议中心举行，本次ICCV 收到了创纪录的4303份提交（比ICCV 2017年增加了100％），并接受了1077篇论文，接受率为25％。详情可以看ICCV2019官网：http://iccv2019.thecvf.com/ AI研习社将会给大家持续整理 ICCV 2019 论文实现代码系列集合，方便大家学习！...
2019-8-22 paper reading
qq_32592873的博客
08-22 516
Ⅰ 3D-LMNet: Latent Embedding Matching for Accurate and Diverse 3D Point Cloud Reconstruction from a Single Image1 1 Task 3D reconstruction from single view images. 2 Method Stage 1: train a point cl...
【今日CV 计算机视觉论文速览 第138期】Mon, 1 Jul 2019
TomRen
07-03 3173
第138期 视觉论文速览 --基于归一化流的点云生成 --基于laze标签的多任务图像分割
点云识别-Learning to Sample
alfred_torres的博客
12-03 2520
Learning to Sample 2019 CVPR 摘要 原文 译文 Processing large point clouds is a challenging task. Therefore, the data is often sampled to a size that can be processed more easily. 处理大规模点云是一项具有挑战性的任务，...
2021-07-13windows下运行pointnet tensorflow1.0
weixin_45337440的博客
07-13 718
放假闲着在家没事，本人突然想跑一下3d深度学习的开山之作——pointnet玩一玩，可是目前网上大部分pointnet的运行教程都是在Ubuntu系统下的。（其实本人也曾装过双系统，但是因为我太菜了，在Ubuntu下装完显卡驱动和cuda后切换win10开机一直黑屏。。。只好含痛放弃...
// 读取点云数据 pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);pcl::io::loadPCDFile<pcl::PointXYz>("input cloud.pcd"，*cloud); 定义直通滤波器 pcl::PassThrough<pcl::PointxYZ> pass;pass.setInputCloud(cloud);pass.setFilterFieldName ("x") ; pass.setEilterLimits(0.0, 1.0);// 应用直通滤波器pcl::PointCloud<pcl::PointXz>::Ptr filtered cloud(new pcl::PointCloud<pcl::PointXYz>);pass.filter(*filtered cloud) ; //定义提取滤波器pcl::ExtractIndices<pcl::PointxYZ> extract;extract.setInputCloud(cloud) : extract.setIndices (pass.getRemovedIndices ()) ;extract .setNeaative(true) : / 应用提取滤波器pcl::PointCloud<pcl::PointXYZ>::Ptr extracted cloud(new pcl::PointCloud<pcl::PointXYz>);extract.filter(*extracted cloud) : // 保存滤波后的点云数据 pcl::io::savePCDFile<pcl::PointXYZ>("filtered cloud,pcd"*filtered cloud);pcl::io::savePCDFile<pcl::PointXYz>("extracted cloud.pcd"*extracted cloud) ;优化这段代码
04-19
：优化方法： 1. 增加注释，使得代码更易于理解。 2. 将代码分成多个函数，使得每个函数专门做一件事，利于维护和修改。 3. 减少冗余代码，将重复的代码封装成一个函数并重复利用，使代码更简洁。 4. 可以考虑并行化操作，提高代码执行效率。 修改后的代码如下： // 读取点云数据 pcl::PointCloud<pcl::PointXYZ>::Ptr loadPointCloud(const std::string& fileName) { pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>); pcl::io::loadPCDFile<pcl::PointXYz>(fileName, *cloud); return cloud; } // 直通滤波器 pcl::PointCloud<pcl::PointXYZ>::Ptr passThroughFilter(pcl::PointCloud<pcl::PointXYZ>::Ptr cloud) { pcl::PassThrough<pcl::PointxYZ> pass; pass.setInputCloud(cloud); pass.setFilterFieldName("x"); pass.setEilterLimits(0.0, 1.0); pcl::PointCloud<pcl::PointXz>::Ptr filtered(new pcl::PointCloud<pcl::PointXYz>); pass.filter(*filtered); return filtered; } // 提取滤波器 pcl::PointCloud<pcl::PointXYZ>::Ptr extractFilter(pcl::PointCloud<pcl::PointXYZ>::Ptr cloud, const std::vector<int>& removedIndices) { pcl::ExtractIndices<pcl::PointxYZ> extract; extract.setInputCloud(cloud) ; extract.setIndices(removedIndices); extract.setNegative(true); pcl::PointCloud<pcl::PointXYZ>::Ptr extracted(new pcl::PointCloud<pcl::PointXYz>); extract.filter(*extracted); return extracted; } // 保存滤波后的点云数据 void savePointCloud(pcl::PointCloud<pcl::PointXYZ>::Ptr cloud, const std::string& fileName) { pcl::io::savePCDFile<pcl::PointXYZ>(fileName, *cloud); } // 主函数 int main(int argc, char** argv) { // 读取点云数据 pcl::PointCloud<pcl::PointXYZ>::Ptr cloud = loadPointCloud("input cloud.pcd"); // 应用直通滤波器 pcl::PointCloud<pcl::PointXYZ>::Ptr filteredCloud = passThroughFilter(cloud); // 应用提取滤波器 std::vector<int> removedIndices = pass.getRemovedIndices(); pcl::PointCloud<pcl::PointXYZ>::Ptr extractedCloud = extractFilter(cloud, removedIndices); // 保存滤波后的点云数据 savePointCloud(filteredCloud, "filtered cloud.pcd"); savePointCloud(extractedCloud, "extracted cloud.pcd"); return 0; }

“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

打赏作者

WYKB_Mr_Q

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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