qq_45752541的博客

现有的前向图像到三维的方法主要依赖于二维多视图扩散模型，不能保证三维的一致性。这些方法在更改提示视图方向时很容易崩溃，并且主要处理以对象为中心的提示图像。本文提出了一种新的单阶段三维扩散模型，DiffusionGS，用于从单一视图生成对象和场景，在每个时间步长直接输出三维高斯点云，以加强视图的一致性，并允许模型生成任何方向的提示性视图，而不是以对象为中心的输入。此外，为了提高扩散gs的能力和泛化能力，我们通过开发一种场景-对象混合训练策略来扩展三维训练数据。实验结果表明，与SOTA方法相比，该方法具有更好的

本文在一个统一的模型中生成3D网格(mesh)。这提供了 (1)利用已经嵌入在LLM中的空间知识(来源自3D教程等文本)，以及(2)支持会话3D生成和网格理解的关键优势 。一个主要的挑战是有效地将3D网格数据标记为LLM可以无缝处理的离散token。为了解决这个问题，LLAMA-MESH将三维网格的顶点坐标和面定义表示为纯文本，允许与LLM直接集成而不扩展词汇表。我们构建了一个带监督的微调（SFT）数据集，使预训练的LLM能够(1)从文本提示生成三维网格，(2)根据需要生成交互文本问答

隐式神经表示为动态场景重建和渲染的新方法铺平了道路。尽管如此，先进的动态神经渲染方法很大程度依赖这些隐式表示，经常难以捕捉场景中物体的复杂细节。此外，隐式方法在一般动态场景中实现实时渲染，限制了它们在各种任务中的使用。为了解决这一问题，我们提出了一种可变形的三维高斯分布的splatting 方法，该方法使用三维高斯分布来重建场景，并在具有变形场的规范空间中学习它们，以建模单目动态场景。我们还引入了一种没有额外开销的退火平滑训练机制，它可以减轻不准确的姿态对真实世界数据集中时间插值任务的平滑性的影响。

VastGaussian：基于3D GS的分块优化重建：引入了渐进式数据划分策略，允许独立的单元优化和无缝合并，获得具有足够三维高斯分布的完整场景。解耦外观建模消除了训练图像中的外观变化，实现了不同视图之间的一致渲染

3D点云目标检测的算法汇总，部分重要论文附带代码讲解

题目：PersFormer: 3D Lane Detection via Perspective Transformer。

总结近3年来主要的点云分类、检测与分割算法，介绍原理与代码。

不同的3D数据表示格式，及常用的处理方法总结

在这项工作中，我们提出了一种弱监督点云分割方法，它只需要一小部分的点被标记。这是通过学习梯度近似和利用额外的空间和颜色平滑约束来实现。在三个不同程度的弱监督的公共数据集上进行了实验。在本文中，我们发现现有的点云 encoder network 只需要少量的标记点，就可以为点云分割任务产生非常具有竞争力的性能。我们从统计学的角度提供分析，并洞察了固定标签预算下的注释策略。此外，我们提出了三个额外的训练损失，即不精确监督、孪生自监督、空间和色彩平滑，进一步规范模型。......