- 博客(4)
- 收藏
- 关注
原创 5.18-5.24周报
该网络输入部分为RGB图像和TSDF图像,分别通过图像编码器、2D到3D投影层和TSDF编码器投射到3维空间,图中标记为红色的 𝑀,表示跨模态调制模块。该模块通过TSDF信息自适应地重新校准RGB特征,实现跨模态间的梯度更新。将得到的结果使用多个DDR块进行特征处理。解码器使用3D卷积层和反卷积层(Deconv(k,s))生成最终的预测结果。最后通过上采样调整特征图的尺寸,以适应网络的不同层次。判别器用于区分真实和生成的体素。
2024-05-24 13:30:35
652
1
原创 5.11-5.17周报
SVDFormer 的输入由三部分组成:部分和低分辨率点云Pin、NV相机位置(我们实验中的三个正交视图),NV 深度图D。目标是以从粗到细的方式估计一个完整的点云P。整体架构如图所示,由两部分组成:SVFNet 和配备两个 SDG 模块的细化器。SVFNet首先利用多个自投影深度图生成全局完成的形状P0。随后,两个SDG逐步细化和上采样P0,得到最终的点云P2,其几何结构具有高水平的细节。本文提出了用于点云补全的SVDFormer。首先确定完成的主要挑战并为它们中的每一个开发新的解决方案。
2024-05-16 22:01:16
712
原创 5.3-5.10周报
给定对象的输入部分图案 P,将点下采样到 S0,并通过transform编码器提取点特征来预测一组锚点 A。在特征编码过程中学习锚点和下采样点的特征F。通过学习F上的特定偏移量,锚点进一步分散到不同的 3D 位置。将散射后的锚点A‘和下采样点S0作为稀疏点S,设计了一种变形方案来重建每个稀疏点位置的详细3D结构,用于密集点D预测。整体的方法可以分为以下三个阶段:锚点生成:首先采用基于EdgeConv的头部将输入观测下采样到N个点,提取维度为C的点特征。
2024-05-09 20:51:11
983
原创 4.19-4.26周报
将编码后的深度图加噪得到的近高斯噪声,将1.掩码区域设置为0的编码后的深度图,2.编码后的RGB指导图像,以及3.掩码图像,在channel维度进行连接,输入到U-Net网络进行去噪,逐步从噪声中恢复出干净的深度潜在表示。现有方法对3D高斯补全的初步探索通常是使用对不同角度的渲染图象进行图像层次的补全,迭代的使用修复后的2D多视图图像作为新的训练数据。3D点云构建:使用补全后的深度图和对应的彩色图像,通过3D空间中的反投影操作,将2D图像点转换为3D点云,这些点云随后与原始的3D高斯体集合合并。
2024-04-25 21:50:58
836
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人