由于点云天然的稀疏性和非规则性,因此如何对原始点云进行处理,并产生稠密、完整、均匀的高质量点云数据这一任务吸引了众多研究人员的目光。针对点云的稀疏性问题,8 月 5 日,智东西公开课邀请到港中文博士后李贤芝,以《基于任务解耦合的点云上采样》为主题,为大家讲解了生成 更稠密 点云的上采样方法。

当然,高质量的点云生成不只有点云上采样这一种方法。点云补全也可用来生成高质量的点云。

目前,大多数的点云补全方法很大程度上依赖成对的残缺 – 完整点云并以全监督方式进行学习。尽管它们在域内数据上取得了很好的表现,但泛化到其他形式的残缺点云或现实世界的残缺扫描时,由于域的差距,往往无法获得令人满意的结果。

在 CVPR 2021 中,南洋理工大学的李俊哲博士等人提出了一种基于 GAN 逆映射的无监督点云补全网络 ShapeInversion。

ShapeInversion 使用一个在完整点云上预训练的 GAN 来搜索一个潜码,该潜码通过预训练的 GAN 生成一个完整点云,该方法能最好地重建给定的残缺输入。同时通过这种方式,ShapeInversion 不再需要成对的训练数据,它可以从训练好的生成模型中捕获丰富的先验知识。

在 ShapeNet 基准上,ShapeInversion 的性能优于 SOTA 无监督方法。与此同时,ShapeInversion 还展现显著的泛化能力,对现实世界的扫描和各种形式的残缺输入以及不完整程度都能给出了鲁棒的结果。想了解 ShapeInversion 更多内容的朋友,不要错过本周三的直播呦。

8 月 25 日晚 7 点,智东西公开课特邀南洋理工大学在读博士张俊哲参与「学术新青年讲座」CVPR 2021 特别企划第 10 讲的直播讲解,主题为《基于 GAN 逆映射的无监督点云补全》。

在本次讲座中,张博将从点云补全的研究入手,分析全监督点云补全的泛化性问题,详细讲解他的 CVPR 2021 研究成果:基于 GAN 逆映射的无监督点云补全网络 ShapeInversion,并探讨在在不同残缺程度点云上的应用。

张俊哲是新加坡南洋理工大学 S-Lab 和 MMLab 的博士生,师从吕健勤副教授和 Chai Kiat Yeo 副教授。他的研究领域包括多相机关联与融合、异常检测和深度学习框架,当前主要研究兴趣包括三维重建和生成、点云补全等,在 CVPR、ECCV 计算机视觉顶级会议上发表多篇论文。

张俊哲,新加坡南洋理工大学 S-Lab 和 MMLab@NTU 的博士生,师从吕健勤副教授和 Chai Kiat Yeo 副教授;研究领域包括多相机关联与融合、异常检测和深度学习框架,当前主要研究兴趣包括三维重建和生成、点云补全等;在 CVPR、ECCV 计算机视觉顶级会议上发表多篇论文。

作者 admin

发表回复

您的电子邮箱地址不会被公开。