本文探讨点云上采样的方法，包括PU-Net、MPU、PU-GAN和PU-GCN，强调学习点的多层次特征和分布均匀性。通过网络架构如补丁提取、特征嵌入、特征扩展和坐标重建，实现点云的上采样。PU-GAN提出up-down-up expansion unit和self-attention unit，而PU-GCN则利用图卷积网络增强结构保留。点云上采样面临洞区过拟合问题，各方法致力于提高细节保留和效率。
分享4篇点云上采样的文章：
PU-Net -->MPU–>PU-GAN–>PU-GCN
核心思想：学习每个点的多层次特征，利用不同的卷积分支在特征空间中进行扩充，然后将扩充后的特征进行分解并重建为上采样点云集。
度量标准：分布均匀性和距下层表面的距离偏差；
网络架构：
1.补丁提取：
- 在物体表面随机选取M个点。从每个点出发，生成物体的一个表面块，在每个块中的任何点距离曲面上选定点都在一个集合距离d下。
- 然后使用Possion disk sampling为每个块随机生成 N ^ \hat{N}
最低0.47元/天 解锁文章
扫一扫
299
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
