本文链接：https://blog.csdn.net/u014636245/article/details/104522365

AI视野·今日CS.CV 计算机视觉论文速览
Wed, 26 Feb 2020
Totally handcrafted papers
👉上期速览✈更多精彩请移步主页

Interesting:

📚PointAugment点云数字自动增强框架,基于样本和对抗学习的策略来联合*优化数据增强网络和分类网络，使得增强网络可以生成最适合于分类器的样本。同时设计了逐形状变换和逐点变换的数据增强函数，并设计了采用增强样本的损失函数来提升网络的性能。(from 香港中文大学)
在这里插入图片描述
分类器和增强器的流程结构，增强器的实现细节，其中包含了逐点位移D和形状变换M：

code: https://github.com/liruihui/PointAugment

📚**L3DOC终身连续学习的点云分类器，将pointnet 改造成了可以连续学习的模型，通过逐层的张量分离来保存和共享学到的点云知识，记忆注意力机制和软迁移学习来实现对先前知识的复用。(from 沈阳自动化所)
在这里插入图片描述
dataset：ModelNet10 and ModelNet40) and 3DMNIST

📚*****FPConv点云摊平卷积方法，提出了一种将点云通过自动化学习全权重投影到平面上的方法，随后就可以使用2D卷积进行有效处理。(from 香港中文大学)

这种直接作用于点云的方法无需投影和插值，可以直接学习出对应的投影结果：
在这里插入图片描述
Flatten卷积的结构如下图所示：

code：https://github.com/lyqun/FPConv

📚*****PUGeo-Net基于几何中心的点云上采样方法。(from 香港城市大学)
首先学习变换矩阵T将2D参数空间于3D切面联系起来，然后在计算每个点的位移将加密的点沿着切面的法线方向投影到对应的曲面上去。
在这里插入图片描述

📚*****PolyGen为三维模型自动生成网格，直接在网格上进行操作预，利用基于Transformer的架构测网格顶点和面元。这一模型可以基于各种不同的输入条件（类别、体素、图像等）利用概率模型生成可以捕捉不确定性和模糊性的样本。这种方法可以得到高质量的网格，并为网格建模人物建立对数似然的基准结果。(from DeepMind)
在这里插入图片描述