衡量点云重建结果的指标-CD、EMD

最新推荐文章于 2024-09-25 22:26:08 发布
原创 最新推荐文章于 2024-09-25 22:26:08 发布 · 5.3k 阅读 · 8 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文探讨了衡量生成点云与groundtruth点云之间质量差异的方法，介绍了两种关键指标：ChamferDistance(CD)和EarthMover'sDistance(EMD)。CD通过计算平均最短点距离来评估点云的相似性，确保生成点云与groundtruth点云间的距离最小及覆盖率。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

因为点云的无序性，我们必须找到一种合适的方式来衡量生成点云与groundtruth点云之间的质量差异。
有两个衡量指标CD(chamfer distance)、EMD（earth mover's distance）。
Chamfer Distance

14085710-224bd2f2584d1bcb.png
CD

CD是计算生成点云和groundtruth点云之间，平均的最短点距离。
上面这个图是对称版本的CD，前一部分保证生成点云与groundtruth点云之间的距离最小，后一部分保证，groundtruth点云在生成点云中的覆盖率。
CD中生成点云和groundtruth点云之间的点云数量不必完全一致。

Bamboozq
关注
AI 优化三维点云数据重建算法，提升精准度
AIGC应用创新大全的博客
07-08 647
想象你用手机扫描一个兵马俑，手机会拍下无数个“3D坐标点”（像给兵马俑撒了一把发光的芝麻），这些点就是三维点云。但直接看这些点，可能缺胳膊少腿（数据缺失）、芝麻位置歪歪扭扭（噪声）。本文的目的是：解释如何用AI让这些“歪芝麻”变整齐、“缺芝麻”补完整，最终拼出高精度的3D模型。内容覆盖点云基础、传统重建方法的痛点、AI优化原理、实战代码和应用场景。
点云从入门到精通技术详解100篇-基于全景图的室内场景点云补全方法（续）
getusushu的博客
09-27 476
用于体素补全网络的训练数据，即初始体素和真值体素数据对，由初始点云和真值。其次固定视角选取网络和体素补全网络的参数，微调深度图补全网。为了验证本方法的效果，与体素场景补全相关工作进行对比，将补全。实验结果说明将三维点云补全任务转化为二维深度图补全任务的思想是可行的，本方法。再次固定体素补全网络和深度图补全网络的参数，微调视角选取网络模型；本工作主要包含三个子网络，分别是体素补全网络、视角生成与优化网络和深度图。） 单独训练体素补全网络。点云转化而来，在新生成的数据集上重新进行训练，生成体素补全模型。
【点云系列】生成模型衡量指标
weixin_43882112的博客
11-01 2884
文章目录生成模型指标1. Jsnsen-Shannon Divergence （JSD）2. Coverage （COV）3. Minimum matching distance （MMD）4. l-nearest neighbor accuracy（l-NNA） 生成模型指标 1. Jsnsen-Shannon Divergence （JSD） 作用：计算两个点边际的分布 PrP_rPr​和PgP_gPg​分别是对照参考点集和生成的点集的边缘分布，近似的将空间离散化成28328^3283体素，每个点对
【手写学习笔记-综述部分Ⅴ】点云补全评估参数CD、EMD、F-SCORE、DCD等
weixin_51108479的博客
12-16 3895
对于三维点云补全，倒角距离(CD)和地球移动距离(EMD)是最常用的性能标准。CD试图找到两组点之间的最小距离，而EMD评估点云的重建质量。以下介绍点云补全常用的几个性能标准。参考学习框架来自于综述《Comprehensive Review of Deep Learning-Based 3D Point Cloud Completion Processing and Analysis》
三维重建评估指标CD、EMD、F-score
热门推荐
ojbko的博客
10-09 1万+
1、Chamfer Distance倒角距离,CD CD是计算生成点云和groundtruth点云之间，平均的最短点距离。 上面这个图是对称版本的CD，前一部分保证生成点云与groundtruth点云之间的距离最小，后一部分保证，groundtruth点云在生成点云中的覆盖率。 CD中生成点云和groundtruth点云之间的点云数量不必完全一致。 用于网格建模的情况下也可用 2、EMD般土距离E...
点云倒角距离（Chamfer Distance，CD）
叶子的博客
08-21 2007
对于A中的每个点a，计算它与B中所有点之间的距离，取其中最短的距离作为a点的距离值。同样地，对于B中的每个点b，计算它与A中所有点之间的距离，取其中最短的距离作为b点的距离值。在实际应用中，CD常常用于点云配准和三维形状匹配。CD用于比较两个点云之间的相似性，即通过最小化CD来寻找最相似的点云对，从而实现三维形状匹配的目标。总体而言，CD是一种广泛应用于三维计算机图形学领域的点云距离度量方法，它可以用于三维物体识别、配准、生成和重建等多个领域，帮助算法计算出最优的点云匹配结果，进而提高算法的准确性和效率。
点云三维重建--基于两视图的射影重构,仿射重构以及度量重构
dinglian2538的博客
08-28 970
NO0.两视图重建 基于图片序列的三维重建不管在科研还是实际应用中都有了比较成功的实现，Bundler就是一个很不错的例子，随后的VisualSFM也已经得到了很好的应用，近两年发展较快的还有SLAM等，而基于两视图实现空间点的三维重建便是构造完整图片序列三维重建的第一步。本文侧重于简单归纳实现两视图重建的理论基础，由于我们通过摄像机采集的照片中往往存在不同程度的误差或者噪声，因此...
点云从入门到精通技术详解100篇-三维点云数据的补全（续）
getusushu的博客
09-10 454
鉴别器的功能是将预测的形状与缺失区域的真实轮廓区分开来，并优化网络模型，为了更方便的观察模型优化的过程，本章在模型训练的过程记录了损失的变化，比没有鉴别器模块的网络更优，说明鉴别器能够监督生成更加真实的点云。整体点云和缺失区域点云中都可以生成更高精度的点云和更少的失真。为未使用鉴别器进行监督的网络，所有的方法都基以相。），模型损失一直成下降的趋势，说明本章的神经网。小于单分辨率的网络模型，可以证明它们的有效性。个物体的类别中，本章的指标都表现更优秀。进行了对比，本章模型选取。的结果表明，本章的方法在。
点云从入门到精通技术详解100篇-伪雷达点云预测
getusushu的博客
09-07 351
结构在未来的演变过程，最后通过观察过去的单个帧和预测的高级结构输出结果。的方法以训练一个端到端的卷积神经网络，该网络直接预测两个图像之间的光流。出的方法可以合理地预测未来时刻的伪雷达点云，并且性能优于其它相似的方法。传感器、控制设备和定位系统协同合作，让系统可以在无人主动操作的情况下，面具有更大的优势，它可以与人工智能算法相结合，通过计算分析摄像头拍摄的。无线电波的方式一样，这些脉冲可以确定物体的距离和范围，并且受恶劣环境的。在一定程度上能够互相弥补各自的不足，因此融合激光雷达和相机的多传感器系。
评价生成式模型的指标之Geometry Score
沉迷单车的追风少年
01-15 1455
前言：对于生成式模型来说，最大的问题之一是如何评价生成样本的质量和多样性，常用的指标有FID和IS，不过这两种指标有其局限性。本篇博客介绍另一种指标Geometry Score，并给出python代码和快速上手的实战。 论文地址：https://arxiv.org/abs/1802.02664 目录 原理简述 动手实战 原理简述 GANs的创始人提出过著名的流形假设(Manifold Hypothesis)，GS允许以随机方式比较两点云的底层流形的拓扑结构，提供一个分数来比较各种训练模型的质.
目标检测 label_目标检测——制作GroundTruth！开始训练！
weixin_39942726的博客
01-16 1423
本专栏目录：核心内容篇：目标检测——从简单的开始！进击的YOLO！目标检测——Backbone与Detection head目标检测——搭建更好更快的YOLO！目标检测——制作GroundTruth！开始训练！目标检测——YOLOv2！目标检测——YOLOv3！目标检测——YOLO轻量化初尝试-SlimYOLOv2目标检测——小小的TinyYOLOv3目标检测——anchor-free的回归之作-...
光流估计综述：从传统方法到深度学习
3D视觉工坊
09-19 2088
点击上方“3D视觉工坊”，选择“星标”干货第一时间送达作者丨肖泽东@知乎来源丨https://zhuanlan.zhihu.com/p/74460341编辑丨计算机视觉life1....
使用RGBD数据集进行点云绘制
Eminbogen的博客
01-19 2793
本文接上文视觉SLAM14讲使用第八章深度图片进行点云图绘制 https://blog.youkuaiyun.com/unlimitedai/article/details/86556508 下载数据集为：https://vision.in.tum.de/data/datasets/rgbd-dataset/download#freiburg1_xyz 程序与其他东西下载：链接: https://pan...
MVSnet点云定量评估指标总结
weixin_41631106的博客
08-08 3921
注：该评估代码需要测试结果，即基于xy-guo开源的权重测试产生的点云文件，以及DTU数据集的SampleSet和Points两个数据集，其中SampleSet中有全部scan的mask和scan1、scan6的点云文件，而测试使用了22个scan，因此需要下载DTU官方数据中的Points数据，将其所有点云文件拷贝到SampleSet中。根据MVSnet论文[1]原文说明，点云评估主要从准确性和完整性两个方面来评估。
三维重建的几何评价指标
最新发布
一个搬运知识的笨小孩
09-25 3035
简要了解CD、F-Score、NC指标
点云生成：Diffusion Probabilistic Models for 3D Point Cloud Generation
qq_41178930的博客
12-22 1万+
点云生成：Diffusion Probabilistic Models for 3D Point Cloud Generation简介论文abstractinstructionRelated works 简介 2021 CVPR 论文 abstract   我们提出了一个用于点云生成的概率模型，它是各种三维视觉任务的基础，如点云形状补全、上采样、合成和数据增强。受非平衡热力学中扩散过程的启发，我们将点云中的点视为热力学系统中与热浴接触的粒子，它们从原始分布扩散到噪声分布。因此，点云的生成相当于学习反向扩散
三维重建评价标准
qq_44708206的博客
11-24 3928
评价标准
激光雷达点云数据质量评价指标及计算方法
Yang_Wanli的博客
10-14 7523
一、术语和定义 1.激光雷达（ light detection and ranging;LiDAR） 发射激光束并接受回波i获取目标三维信息的系统 2.点云（point cloud） 以离散、不规则方式分布在三位空间中的点的集合 3.激光雷达点云（LiDAR point cloud） 通过激光雷达扫描获得的点云 4.点云密度（density of point cloud） 以高程方向为法相方向，单位面积上点云中激光点的平均数量 5.点云粗差（outlier of point cloud） 激光雷达点云数据中
点云质量评估_点云配准中常用的评价指标
惊鸿一博
08-11 7663
目录 1.概述 2.豪斯多夫距离（Hausdorff Distance，HD） 3.倒角距离（Chamfer Distance，CD） 4.陆地移动距离（Earth Mover’s Distance，EMD） 1.概述 在点云配准问题中，我们通常会用相似性测度来评价两组点云之间的匹配程度，或作为迭代求解的代价方程（cost function），常见的相似性测度有均方误差（Root Mean Square Error（RMSE）、最大公共点集（Largest Common Pointset，LC.
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值