论文推荐
“SFFAI122期来自伊利诺伊大学厄巴纳香槟分校计算机系的谢楚琳推荐的文章主要关注于计算机视觉的点云处理领域,你可以认真阅读讲者推荐的论文,来与讲者及同行线上交流哦。”
关注文章公众号
回复"SFFAI122"获取本主题精选论文
01
推荐理由:这篇论文(FoldingNet)首次提出用 2D 流形来表示 3D 点云,这也启发了其他人将目标点云建模为 2D 网格的非线性折叠。
02
推荐理由:PCN是第一篇点云补全的文章。基于FoldingNet的折叠(folding)的思路,PCN通过预测2D网格的非线性折叠以生成3D点云。此非线性折叠由MLP来实现。
03
推荐理由:AtlasNet 是基于PCN的思路,以多个2D网格非线性折叠形成的3D参数化表面元素的集合表示完整的点云。
04
推荐理由:这篇论文提出了一种层次树状结构的解码器(TopNet),可以生成结构化的点云。该树状结构的解码器由多层级的MLP实现,比起单个MLP的解码器拥有更强的网络表达能力。
05
推荐理由:这篇论文提出了一种分两个阶段完成点云补全的方法(MSN)。MSN把AtlasNet的非线性折叠生成方法作为第一阶段,预测一个完整但粗粒度的点云,即一组参数化表面元素。然后,在第二阶段,它通过一种新颖的采样算法将粗粒度预测的点云与输入点云合并,生成细粒度的点云。
06
推荐理由:不同于之前基于折叠的点云补全方法直接处理点云数据, 这篇论文引入了 3D 网格作为中间表征来规范无序点云,并提出了一种新的网格化残差网络(GRNet)来做点云补全。
会议内容
会议简介
当前深度相机和 LiDAR 等 3D 扫描设备已经变得无处不在,点云变得更加容易获取,在计算机视觉和机器人领域的引发了研究热潮。然而由于受限于传感器分辨率和遮挡问题,这些设备直接捕获的原始点通常是稀疏和不完整的。因此,必须从局部观察中推断出完整的形状,以促进各种下游任务。本期我们邀请到来自伊利诺伊大学的谢楚琳同学,分析她提出的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。
讲者介绍
谢楚琳,伊利诺伊大学厄巴纳香槟分校计算机系博士生,主要研究方向为机器学习、对抗鲁棒性、三维视觉,目前已在 ICML、CVPR、ICLR 等会议上发表论文。
会议题目
用于点云补全的基于样式和对抗性渲染的点云生成器
会议摘要
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EdgeConv,以充分利用点云特征的局部结构和全局形状。其次,我们观察到基于折叠(Folding)的点云生成方法中拼接(concatenation)的操作限制了其生成复杂且真实形状的潜力。受到StyleGAN的启发,我们将形状特征视为样式码,在折叠过程中用其调节归一化层,这大大增强了生成器的表达能力。第三,我们意识到现有的点云监督,例如倒角距离(Chamfer Distance )或推土机距离(Earth Mover's Distance),不能如实地反映重建点云的视觉质量。为了解决这个问题,我们使用可微分渲染器将补全的点云投影到深度图,并应用对抗性训练来提高不同视角下的视觉真实性。ShapeNet和KITTI上的大量实验证明了我们方法的有效性,该方法实现了最先进的量化性能,同时提供了卓越的视觉质量。
论文标题:Style-based Point Generator with Adversarial Rendering for Point Cloud Completion
论文下载:关注本公众号,对话框回复“SFFAI122”,获取下载
会议亮点
1、我们提出了基于通道注意力的EdgeConv,以充分利用点云特征的局部结构和全局形状;
2、我们将形状特征视为在折叠过程中调节归一化层的样式码;
3、我们提出使用可微分渲染器将补全的点云投影到深度图,并应用对抗性训练来提高不同视角下的视觉真实性;
4、我们实现 SOTA 定量性能,同时提供卓越的视觉质量。
直播时间
2021年9月12日(周日)20:00—21:00 线上直播
关注本公众号,对话框回复“SFFAI122”,获取入群二维码
注:直播地址会分享在交流群内
SFFAI招募!
现代科学技术高度社会化,在科学理论与技术方法上更加趋向综合与统一,为了满足人工智能不同领域研究者相互交流、彼此启发的需求,我们发起了SFFAI这个公益活动。SFFAI每周举行一期线下活动,邀请一线科研人员分享、讨论人工智能各个领域的前沿思想和最新成果,使专注于各个细分领域的研究者开拓视野、触类旁通。
SFFAI目前主要关注机器学习、计算机视觉、自然语言处理等各个人工智能垂直领域及交叉领域的前沿进展,将对线下讨论的内容进行线上传播,使后来者少踩坑,也为讲者塑造个人影响力。SFFAI还在构建人工智能领域的知识森林—AI Knowledge Forest,通过汇总各位参与者贡献的领域知识,沉淀线下分享的前沿精华,使AI Knowledge Tree枝繁叶茂,为人工智能社区做出贡献,欢迎大家关注SFFAI论坛:https://bbs.sffai.com。
论文推荐
《文本表示》论文推荐
《对话机器阅读理解》论文推荐
《事件关系抽取》论文推荐
《同义句生成》论文推荐
《对话系统》论文推荐
《语义关系分类》论文推荐
《对话系统》论文推荐
《三维点云补全》论文推荐
《算法优化》论文推荐
《图像分割》论文推荐
《图神经网络》论文推荐
《目标检测》论文推荐
《人物交互》论文推荐
《人物交互》论文推荐
《领域自适应点云处理》论文推荐
更多论文推荐历史文章
请点击文章底部“阅读原文”查看
分享、点赞、在看,给个三连击呗!