Chamfer Loss

已于 2025-01-18 22:21:24 修改
阅读量205 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： Python点云智能处理 文章标签： 人工智能 深度学习
于 2025-01-18 22:01:51 首次发布
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。
本文链接：https://blog.youkuaiyun.com/yhlx125/article/details/145233635

Chamfer Loss 是一种常用于3D点云（point cloud）处理的损失函数，特别是在点云生成和对齐任务中。它的目的是度量两个点集之间的相似度，特别是在点云重建、配准或生成等任务中，常用于优化模型使得生成的点云更接近真实的点云。

Chamfer Loss的计算方式：

假设有两个点集，源点集 P = \{ p_1, p_2, \dots, p_n\}和目标点集 Q = \{ q_1, q_2, \dots, q_m \}，Chamfer Loss的计算可以分为以下两步：

  1. 从源点集到目标点集的距离：对于每一个源点 p_i \in P，找到它与目标点集 Q 中最近的点 q_j​，计算点

了解本专栏 订阅专栏 解锁全文 超级会员免费看
第一章：点云中的滤波问题---Filters
m0_37957160的博客
04-09 1076
滤波的范围非常的广泛，像噪声去除，降采样，上采样，平滑等等都可以叫做滤波。 上采样是一个比较罕见的东西，上采样就是没有的东西我把他创造出来，就是创造信息，其实是不可以创造信息的，只是说经过已有的信息，怎么去估算未知的地方可能的信息。如上图，就是对激光雷达的图进行了一个上采样，最上边的一层是吧激光雷达的图投影到了图像上，可以看到一些很小的很稀疏的点，但是他没有办法把每一个像素都填满，比如我们在做多传感器融合的时候我们希望图片上的每一个像素都能够带一个深度，这样图片所携带的信息就非常的丰富了，比如说既有深度，
AdaBins: Depth Estimation using Adaptive Bins
MengYa_Dream的博客
09-16 4010
细品：AdaBins: Depth Estimation using Adaptive Bins estimating a high quality dense depth map from a single RGB input image. CNN + transformer 主要讲解AdaBins板块 整理相关损失函数和误差分析 单张RGB图像 → 估计高质量稠密深度图
Pytorch3d中的倒角损失函数Chamfer Distance Loss的用法（pytorch3d.loss.chamfer_distance）
qq_46322529的博客
12-06 5199
pytorch3d.loss.chamfer_distance相关
点云损失函数Chamfer Distance 和 Earth Mover‘s Distance
qq_39964246的博客
08-12 8333
浅析点云损失函数Chamfer Distance 和 Earth Mover‘s Distance
三维点云处理-chap1
进击的小白
04-11 1780
1.介绍 略 2.PCA&KPCA （1）PCA 主成分分析 SVD; 矩阵分解M: U和V*都是正交矩阵，这里相当于旋转 Σ这里是缩放，一个对角阵，对角线储存了M的特征值. 当A是对称矩阵有这么个性质，跟上面SVD很相似，不过左右是同一个U 跟上面的SVD联系起来看，这定理实际讲的是A可以拉长或者缩短这个向量多少倍（取决于Σ，因为旋转不改变大小） 公式Rayleigh quoti...
《论文阅读22》APR: Online Distant Point Cloud Registration through Aggregated Point Cloud Reconstruction
darren_pty
09-02 356
我们的设计迫使编码器提取功能，丰富的本地几何信息的基础上，一个单一的输入点云。此外，解码器对单个点云的特征图进行解码，并导出重构的点云，该重构的点云与聚合点云（APC）进行比较，该聚合点云被定义为对应车辆的一系列点云帧对齐在一起。Qin等人，2022]，其中首先对下采样点云执行配准（即，超级点），然后级联到匹配的超级点周围的更密集的点云补丁上。例如，对于驾驶安全应用来说，采用严格的配准准则是极其关键的，例如，0.5°的旋转误差和0.5米的平移误差（对应于在50米内的所有位置处小于一米的最大平移误差）。
点云深蓝学院第一章（下）
Axiaoxiaoshuai的博客
04-28 509
滤波的范围非常的广泛，像噪声去除，降采样，上采样，平滑等等都可以叫做滤波。 上采样是一个比较罕见的东西，上采样就是没有的东西我把他创造出来，就是创造信息，其实是不可以创造信息的，只是说经过已有的信息，怎么去估算未知的地方可能的信息。如上图，就是对激光雷达的图进行了一个上采样，最上边的一层是吧激光雷达的图投影到了图像上，可以看到一些很小的很稀疏的点，但是他没有办法把每一个像素都填满，比如我们在做多...
【论文介绍】Feature-metric Registration: A Fast Semi-supervised Approach for Robust PointCloud
CrissiApril的博客
11-27 670
在第n步特征提取后得到的点云P、Q的特征得到特征度量投影误差r，计算FP的雅可比矩阵J，将r和J带入方程（2）中计算出这一步骤的变换增量，进而得到下一步骤的变换参数，进而得到下一步的Q的初始点云状态，使Q逐步向P对准。其中，r(F(P)，F(RQ+t))=||F(P)−F(RQ+t)||2被称为特征度量投影误差，F(P)是点云P的特征，K是特征维数，F是编码器模块学习到的特征提取函数。其中，p∈A是单位面积中的一系列点，x为点云特征，φθi为MLP参数中的第i个分量，S*为原始输入的3D点。
triplet loss 图像检索_Pixel2Mesh：从单帧RGB图像生成三维网格模型
weixin_39630999的博客
11-23 380
Pixel2Mesh: Generating 3D Mesh Models from Single RGB ImagesPixel2Mesh[paper][code]一、Introduction从单一视角推断三维形状是人类视觉的一项基本功能，但对计算机视觉来说却是一项极具挑战性的工作。利用规则网格上的卷积层或多层感知，估计的三维形状作为神经网络的输出，可以表示为体积或点云。然而，这两种表示都会丢失...
点云深度学习系列博客(二): 点云配准网络PCRNet
05-20 6537
凡是对点云相关应用有些了解的同学，相信都接触过点云配准。配准相关的经典算法，包括ICP，NDT，FPFH，已被广泛应用于工业设计，定位，SLAM，自动驾驶等领域。尤其在SLAM和自动驾驶领域，随着家庭清扫机器人和电动汽车的普及，基于激光扫描技术的点云配准技术越发重要。可见点云配准及其相关研究的重要性。今天的点云深度学习系列博客为大家介绍一个用于点云配准深度网络：PCRNet [1]。
ChamferDistancePytorch:Pytorch 中的倒角距离与 f-score
05-29
pip install torch ninja Pytorch 倒角距离。 包括一个CUDA版本和一个带有 pytorch 标准操作的PYTHON版本。 注意：在这个仓库中，dist1 和 dist2 是点云欧氏距离的平方，因此您应该相应地调整阈值。 F - 分数 CUDA 版本 即时编译 支持多GPU 二维点云。 3D 点云。 5D 点云。 连续（）安全。 Python版本 支持任意维度 用法 import torch , chamfer3D . dist_chamfer_3D , fscore chamLoss = chamfer3D . dist_chamfer_3D . chamfer_3DDist () points1 = torch . rand ( 32 , 1000 , 3 ). cuda () points2 = torch . rand ( 32
2D-3D配准指南[方法汇总]【入门指导向】（一）问题介绍+LCD跨域描述子+Triplet loss
qq_45912037的博客
12-05 4312
近年来，增强现实应用不断涌现。这类应用需要将三维模型与二维图像进行匹配。同样，大规模位置识别系统可能需要定位拍摄 2D 图像的准确位置。为此，必须对二维和三维数据进行注册或对齐。如果不能确保被对齐的二维和三维数据是同一现实的相同表现形式，即它们之间存在匹配关系，则无法执行此类操作。因此，在通过 2D-3D 注册对齐匹配对之前，有必要完成 2D-3D 匹配任务。寻找在图像patch和点云patch上执行2D-3D匹配的稳健描述符的问题可以表述如下：设I∈RW×H×3I∈RW×H。
经典文献阅读之--Self-Supervised Bird’s Eye View Motion,,(基于跨模态信号的自监督鸟瞰图运动预测)
lovely_yoshino的博客
07-11 1万+
本文介绍了基于跨模态信号的自监督鸟瞰图运动预测。以自监督的方式学习密集鸟瞰图（BEV）运动流是机器人和自动驾驶的一项新兴研究。目前的自监督方法主要依赖于点云之间的点对应关系，这可能会引入假的运动流和不一致的问题，阻碍了模型学习准确且现实的运动的能力。在本文中，我们引入一种新型的跨模态自监督训练框架，该框架通过利用多模态数据来获得监督信号，有效地解决了这些问题。》一文设计了三种创新的监督信号来保留场景运动的固有性质，包括masked倒角距离损失、分段刚性损失和时间一致性损失。相关代码可以在Github中找到。
Chamfer Distance--倒角距离
热门推荐
weixin_42894692的博客
05-15 4万+
倒角距离以及倒角损失前言：距离变换2D图像中的倒角距离2D图像的距离变换3D点云中的倒角距离 很多博客都在讲倒角距离变换（chamfer distance transform），看完之后，我对倒角距离仍然是一片雾水。因此，在这篇文章论述一下我对倒角距离的理解。 前言：距离变换 距离变换的主要目的是通过识别目标点与背景点，将二值化图像转化为灰度图。 距离变换主要分为欧式距离变换和非欧式距离变换，非欧式距离变换包括棋盘距离变换、城市街区距离变换、倒角距离变换。 棋盘距离：∣x1−x2∣+∣y1−y2∣|x_1-
倒角距离【Chamfer Distance】
新缸中之脑
05-29 3637
倒角距离（chamfer distance）是用于评估两组点之间的相似度的度量。给定两个点集 A 和 B，倒角距离定义为 A 中每个点到 B 中最近邻点的距离之和，加上 B 中每个点到 A 中最近邻点的距离之和。在深度学习的背景下，倒角距离通常用作点云生成任务中的损失函数。这些任务的目标是生成与目标点云相似的点云。倒角距离损失鼓励生成的点云尽可能接近目标点云。倒角距离在点云配准中特别有用，其目标是对齐两个或多个点云。通过最小化点集之间的倒角距离，可以找到它们之间的最佳对齐方式。
【论文笔记】点云关键点检测和特征提取 USIP: Unsupervised Stable Interest Point Detection from 3D Point Clouds 2019 论文笔记
phy12321的博客
09-21 4160
新加坡国立大学 代码链接:https://github.com/lijx10/USIP 这是一篇通过无监督学习来进行点云关键点检测的文章. 整体的网络结构: 首先将输入的点云进行随机旋转平移变换，网络分别对两个点云进行关键点提取得到关键点QQQ，并对每个关键点的不确定度进行预测得到∑\sum∑。 损失函数 Probabilistic Chamfer Loss 作者希望网络能够学习点云中的稳定的关键点（repeatability），也就是说两个场景信息大部分重合的点云，即网络的两个输入，应该能够.
基于深度学习的点云配准Benchmark
3D视觉工坊
11-17 5536
点击上方“3D视觉工坊”，选择“星标”干货第一时间送达作者丨千百度@知乎来源丨https://zhuanlan.zhihu.com/p/289620126编辑丨3D视觉工坊1. 概要最近...
Contextual loss
u014447845的博客
10-05 3398
Mechrez R, Talmi I, Zelnik-Manor L. The contextual loss for image transformation with non-aligned data[J]. arXiv preprint arXiv:1803.02077, 2018. Mechrez R, Talmi I, Shama F, et al. Maintaining natur...
Max-Margin Regularization for Chamfer Matching
chaihuimin的专栏
08-04 588
Max-Margin Regularization for Chamfer Matching
chamfer_distance
最新发布
03-20
### Chamfer Distance 实现方法与应用场景 Chamfer 距离是一种用于比较两个点集之间相似性的度量方式，在计算机视觉、三维重建以及机器学习领域有广泛应用。以下是关于其实现方法及其应用的具体说明。 #### 1. Chamfer Distance 的定义 Chamfer 距离衡量的是两组点之间的距离差异，通常通过计算每一点到另一集合最近点的距离并求和来完成。具体公式如下： \[ CD(A, B) = \sum_{a \in A} \min_{b \in B} ||a-b||_2^2 + \sum_{b \in B} \min_{a \in A} ||a-b||_2^2 \] 其中 \(A\) 和 \(B\) 是两个点集，\(||a-b||_2^2\) 表示欧几里得平方距离[^2]。 #### 2. 编程中的实现方法 在编程中可以利用 NumPy 或 PyTorch 来高效实现 Chamfer 距离的计算。下面是一个基于 Python 的简单实现例子： ```python import numpy as np from scipy.spatial import cKDTree def chamfer_distance_numpy(set_a, set_b): """ 计算两个点集间的 Chamfer 距离。 :param set_a: 点集 A (NxD 数组) :param set_b: 点集 B (MxD 数组) :return: 双向 Chamfer 距离 """ tree_set_a = cKDTree(set_a) dist_to_a, _ = tree_set_a.query(set_b) tree_set_b = cKDTree(set_b) dist_to_b, _ = tree_set_b.query(set_a) return np.sum(dist_to_a ** 2) + np.sum(dist_to_b ** 2) ``` 上述代码使用 `scipy` 中的 `cKDTree` 数据结构加速最近邻查找过程，从而提高效率[^3]。 对于 GPU 加速场景，可采用 PyTorch 提供的功能实现更高效的版本： ```python import torch def chamfer_distance_pytorch(set_a, set_b): """ 使用 PyTorch 实现 Chamfer 距离。 :param set_a: Tensor 形状为 (batch_size, N, D)，表示点集 A :param set_b: Tensor 形状为 (batch_size, M, D)，表示点集 B :return: 双向 Chamfer 距离 """ batch_size, num_points_a, dims = set_a.size() _, num_points_b, _ = set_b.size() # 扩展维度以便广播操作 set_a_expanded = set_a.unsqueeze(2).expand(-1, -1, num_points_b, -1) set_b_expanded = set_b.unsqueeze(1).expand(-1, num_points_a, -1, -1) # 计算 L2 平方差 diff = set_a_expanded - set_b_expanded distances = torch.sum(diff ** 2, dim=3) # 寻找最小距离 min_dist_to_b = torch.min(distances, dim=2)[0] min_dist_to_a = torch.min(distances, dim=1)[0] loss = torch.mean(min_dist_to_b) + torch.mean(min_dist_to_a) return loss ``` 此函数支持批量处理，并能充分利用现代硬件资源提升性能[^4]。 #### 3. 应用场景 - **形状匹配**: 在 CAD 建模或逆向工程中，常需评估生成模型与目标对象间的一致性程度。 - **姿态估计**: 对于机器人抓取任务而言，精确判断物体位置至关重要；此时可通过该指标优化算法表现。 - **图像配准**: 当涉及多视角融合或者立体视觉时，它有助于校正不同视图下的偏差情况。 以上即为有关 Chamfer 距离的基础介绍及相关程序片段展示[^5]。
评论
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

打赏作者

太一吾鱼水

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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