【点云系列】FoldingNet：Point Cloud Auto encoder via Deep Grid Deformation

最新推荐文章于 2025-04-15 09:24:51 发布
最新推荐文章于 2025-04-15 09:24:51 发布
阅读量1.4k 收藏 5
点赞数 1
分类专栏： 点云类 文章标签： 计算机视觉 深度学习 机器学习
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/weixin_43882112/article/details/111478900
版权
FoldingNet是一种基于2D纸折叠思想的3D点云自动编码器，通过深度网格变形重建3D物体。它利用PointNet作为编码器，结合2D网格的解码器来学习点云的表示。实验结果显示，FoldingNet能够有效地进行形状插值和重建。

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

文章目录


清库存系列

1. 概要

题目：FoldingNet: Point Cloud Auto encoder via Deep Grid Deformation (CVPR’18 spotlight)
论文：https://openaccess.thecvf.com/content_cvpr_2018/papers/Yang_FoldingNet_Point_Cloud_CVPR_2018_paper.pdf
补充材料：https://openaccess.thecvf.com/content_cvpr_2018/Supplemental/1129-supp.pdf
代码：https://www.merl.com/research/license#FoldingNet
简述： 基于2D纸折叠的思想产生3D物体

后续延伸：

  1. FoldingNet++
  2. Real-time Soft Robot 3D Proprioception via Deep Vision based Sensing

类似工作：
AtlasNet, 其是使用multiple grid块来初始化2D grid。

2. 动机

神经网络能否学习纸的折叠呢？
3D点云数据大部分来源于物体表面小区域可以看成是2D流体，可以通过2D经过一系列变换获取得到。
在这里插入图片描述

3. 思想

整体框架：主设计解码器

主要是设计了解码器，Encoder直接使用PointNet部分和简单图思想。

在这里插入图片描述
简单来讲，就是把隐码复制了N份，然后与2D的网格进行拼接，形成Nx（D+K）维度的隐码，通过学习获得有位置信息的点云。

其实可以简单理解成为几何当中的一个定义：自然界里的高维数据可以表示为低维非线性的流形。这里就运用这个思想将三维点云认为是二维的流形，那么二维里面就用一个简单的网格来模拟。所以其受限在只可以模拟3D中没有环出现的情况，有环的出现时就不行了。所以才有了后面FoldingNet++的出现用来解决有环出现的情况。
在这里插入图片描述

基于图的编码器Encoder

在这里插入图片描述

编码器 = 多层感知器 + 基于图的最大池化层，两者拼接在一起形成编码器；

图的构成：16-KNN， 对于每个点，计算器的局部协方差矩阵，使用 3 × 3 3\times3

最低0.47元/天 解锁文章
论文笔记：《FoldingNet: Point Cloud Auto-encoder via Deep Grid Deformation》
hualalala7458的博客
05-25 2094
1.介绍 三维点云处理通常被认为比二维图像更具挑战性，这主要是因为点云样本存在于不规则的结构上，而二维图像样本(像素)依赖于图像平面上具有规则间距的2D网格。点云几何通常由一组稀疏的三维点表示。这种数据格式使得传统的深度学习框架难以应用。例如：对于每个样本，传统的卷积神经网络(CNN)要求相邻样本出现在一定的空间方向和距离上，以便于卷积。点云通常不遵循这样的约束。之前的方法大都是将三维空间划分为...
论文笔记：《FoldingNet:Point Cloud Auto-encoder via Deep Grid Deformation》
wangyc1208的博客
10-11 8144
introduction： 本篇论文，介绍了一个通过深度网格变形的点云自编码器（AE）。 提出了新的端到端graph-based编码器和folding-based解码器。 实现2D到3D的映射 contributions： 训练了一个端到端的深度自编码器，来直接作用在无序点云上； 提出了一个新的解码操作folding，为重构的点云排序； 做实验，可知，相比其他无监督的方法，folding分类的精...
(CVPR 18) FoldingNet: Point Cloud Auto-encoder via Deep Grid Deformation
dloading7的博客
04-20 5058
FoldingNet[1]提出了一种点云自编码器结构，属于自监督学习的范畴，可以将输入点云投影（即特征降维）至具有丰富语义信息的高维空间中，形成高维特征向量（文中用“codeword”指代），即编码过程。接着通过解码网络将高维特征向量恢复得到高维度的输入点云。 如下图所示，对于input输入点云，首先经过特征编码形成codeword（不是图中的2D grid），接着进行两次folding操作，恢复得到与输入点云相似的输出点云： What is Folding Operation？ 作者在文中指出，从直觉.
点云自编码器项目教程
最新发布
gitblog_00331的博客
04-15 869
点云自编码器项目教程 pointnet-autoencoder Autoencoder for Point Clouds 项目地址: https://gitcode.com/gh_mirrors/po/pointnet-autoe...
【点云处理之论文狂读经典版12】—— FoldingNet: Point Cloud Auto-encoder via Deep Grid Deformation
yuanmiyu6522的博客
06-11 1290
如表1所示，在decoder阶段，我们想要施加一个“虚拟的外力”，将2D网格 变形 成3D物体的表面形状，这种变形应该受到网格neighborhood相互连接的影响和约束。Auto-encoder的pipeline如图2所示。encoder的输入是一个n×3n \times 3n×3的矩阵，矩阵的每一行包含了3D点云的位置(x,y,z)(x, y, z)(x,y,z)。输出是一个m×3m \times 3m×3的矩阵，表示重建后点的位置。重建后点的数量mmm没必要与原始点云的数量nnn相同。假设输入包含了点
【CVPR 2018】FoldingNet: Point Cloud Auto-encoder via Deep Grid Deformation
py今天刷题了吗
04-29 336
文章目录3. 参考资料 3. 参考资料 【点云重组】FoldingNet: Point Cloud Auto-encoder via Deep Grid Deformation:https://zhuanlan.zhihu.com/p/426247689
reconstruct_pointcloud_ae:这是一个简单的自动编码器，用于重建点云
05-16
recombinant_pointcloud_ae 这是一个简单的自动编码器，用于重建点云
【论文阅读】【2201.00785v2】Implicit Autoencoder for Point Cloud Self-supervised Representation Learning
py今天刷题了吗
04-10 966
文章目录1. 四个问题1. 解决什么问题（研究动机）2. 用了什么方法解决（方法）3. 效果如何4. 还存在什么问题2. 论文介绍3. 参考资料4. 收获 1. 四个问题 1. 解决什么问题（研究动机） 在无监督点云学习里，基于编码-解码 的无监督表征学习是一种范式。但是这样会带来一个问题：由于点云采样是随机变化的，这样会强制编码器学到变化的（但是这不是我们想要的，我们想要的是本质的，潜在的，可迁移的特征）。详见Abstract 2. 用了什么方法解决（方法） by replacing the po.
Deep AutoEncoder-based Lossy Geometry Compression for Point Clouds
weixin_44378835的博客
10-04 750
Deep AutoEncoder-based Lossy Geometry Compression for Point Clouds 摘要 In this paper, we propose a general autoencoder-based architecture for lossy geometry point cloud compression. it is the first autoencoder-based geometry compression codec that directly
论文阅读：FoldingNet：Point Cloud Auto-encoder via Deep Grid Deformation
m0_37433111的博客
03-24 2073
FoldingNet：通过深度网格变形的点云自动编码器 摘要 直接处理点集（例如PointNet）中的点的最近的深度网络对于诸如分类和分割的点云上的监督学习任务而言是最先进的。在这项工作中，提出了一种新颖的端到端深度自动编码器来解决点云上的无监督学习挑战。在编码器方面，强制实施基于图形的增强以促进PointNet上的局部结构。然后，一种新颖的基于折叠的解码器将规范的2D网格变形到点云的底层3D物体...
【点云系列】综述： Deep Learning for 3D Point Clouds: A Survey
weixin_43882112的博客
12-03 5531
文章目录摘要简介：2 背景2.1 数据集2.2 衡量指标3 3D形状分类3.1基于多视角的方法3.2基于体素的方法3.3 基于点的方法3.3.1逐点MLP网络3.3.2基于卷积的网络3.3.3基于图的网络3.3.4基于数据索引的方法3.3.5其他方法小结4 3D物体检测与跟踪4.1 3D物体检测4.1.1 基于候选区域的方法4.1.2 single-shot方法4.2 3D对象跟踪4.3 3D场景流估计4.4 小结：5 3D点云分割5.1 3D 语义分割5.1.1 基于投影的方法5.1.2 基于离散的方法5
ML-Self-Assembled-Structures:点云的自动编码器，受限玻尔兹曼机器和各种机器学习算法
04-07
使用机器学习对自组装结构进行分类 在分子动力学模拟中，将团簇的微观形状与材料的宏观性质联系起来非常重要。 提取数据的低维表示形式（也称为顺序参数）可以使我们对系统状态（例如系统所处的阶段）进行预测。 学习我们的数据的低维表示形式也可以帮助对该数据进行分类。 具体地，所提取的较低维表示可以与原始数据结合使用以进行分类。 计算顺序参数可能在计算上极其昂贵，而建立新的参数可能非常困难。 在此存储库中，我们提供了一种方法，该方法探讨了如何将有监督和无监督的机器学习用于更快地计算已知订单参数，避免直接（且昂贵）的公式化方法以及设计新的订单参数（提取特征）的方法。 在选择一些玩具示例（它们是实际分子数据的简化）后，我们使用一种监督学习工具（PointNet）来预测因意见动态以及人工生成的球形和椭圆形点云而产生的顺序参数。 我们还使用无监督学习技术（自动编码器和受限的Boltzmann机器）来提取新的订
【MMAsia 2021】Patch-Based Deep Autoencoder for Point Cloud Geometry Compression
weixin_44378835的博客
12-26 959
Patch-Based Deep Autoencoder for Point Cloud Geometry Compression
【点云处理之论文狂读前沿版7】—— Masked Autoencoders for Point Cloud Self-supervised Learning
yuanmiyu6522的博客
05-22 3016
Masked Autoencoders for Point Cloud Self-supervised Learning摘要1.引言 摘要 灵感： NLP和CV中的Masked Autoencoder应用很成功 问题： 点云中存在局部信息缺失和密度不均匀的现象 方法： 使用Masked Autoencoder进行点云自监督学习 细节： ①将输入的点云划分成不规则的点云块，以较高的比率 mask 这些块 ②使用基于autoencoder的标准transformer从这些未被mask的块中学习高维特征，从而重
论文阅读“FoldingNet: Interpretable Unsupervised Learning on 3D Point Clouds”
qq_42613078的博客
12-16 850
FoldingNet: Interpretable Unsupervised Learning on 3D Point Clouds详细信息1. 摘要2. 问题3. 思路4. 方法5.平台6.验证7.评价 详细信息 CVPR 2018 Yaoqing Yang, Chen Feng, Yiru Shen, Dong Tian 1. 摘要 最近直接处理点集中的点的深度网络，例如PointNet，已经在点云的监督语义学习任务(如分类和分割)方面达到了最先进的水平。在这项工作中，提出了一种新颖的端到端深度自动
PointPillars点云编码器代码运行过程中的问题及解决
说好的
04-26 1478
3.import问题，from secnd.XXX import XXX会报错，找不到second模块，解决1：可以用print(os.getcwd())来查看当前进程的路径是否是上面， 前面加一句：sys.path.append("..")，sys.path是一个list，包含了已经添加的环境变量路径，sys.path.append("..")可以用于跨文件导入。注意：虽然我用的是ubuntu18.04, 但是cudnn要安装linux不是unbunt的.deb文件，.deb会出现很多不必要的问题。
（还需要阅读代码）FoldingNet论文阅读
PredragonTC的博客
10-21 1556
Main idea
FoldingNet: Point Cloud Auto-encoder via Deep Grid Deformation 论文和代码详解
qq_43572747的博客
06-07 903
FoldingNet: Point Cloud Auto-encoder via Deep Grid Deformation 论文和代码详解
3D 点云形状特征的二维主流形描述 论文笔记 2020-9-29
阿婷的博客
09-29 862
3D 点云形状特征的二维主流形描述 关键词 形状特征；二维主流形；网格优化逼近；ICNP；三维检索 解决的问题 三维模型缺乏语义层的描述，故三维形状的特征描述方法成为极具挑战性的难题 原理 针对三维点云模型空间分布不均匀且无序的特征,首先构造其二维主流形,并以与球同胚的封闭网格形式给出主流形的二次曲面优化逼近,将三维点云模型的形状描述问题转换为球参数域上分布均匀、沿参数方向有序的二维主流形的参数化网格形状描述问题;然后,对二维主流形的参数化曲面网格进行三维平移、旋转和缩放等基本几何变换,对齐两个曲面流形网格
PCT: Point Cloud Transformer
06-10
PCT，全称为Point Cloud Transformer，是一种专门针对点云（Point Cloud）数据设计的深度学习模型。点云是三维空间中由一系列点坐标组成的集合，常用于三维重建、物体检测、语义分割等领域。传统的卷积神经网络（CNN）在处理点云时可能会遇到信息局部性和稀疏性的挑战，PCT引入了Transformer架构，它能够更好地处理点云中的全局关系。 PCT的核心思想是将自注意力机制应用到点云数据上，这使得模型能够对点云中的每个点与其他点进行直接交互，捕捉点之间的相对位置信息。模型通常包括以下几个关键组件： 1. **编码器（Encoder）**：接收输入的点云，将其转换为特征表示，同时通过自注意力机制学习点之间的关系。 2. **多尺度处理**：通过分层次的结构，处理不同分辨率或尺度的点云细节，以便捕捉不同尺度的空间信息。 3. **解码器（Decoder）**：如果存在，用于生成预测结果，如分类标签或语义分割掩码。 4. **注意力模块**：使用点云特有的自注意力机制，如Point-wise Self-Attention（PSA）或Graph Attention Network（GAN），增强模型对局部和全局结构的理解。 PCT的优势在于它能够捕获点云数据中的复杂几何结构，并且适应性强，能够应用于各种点云处理任务，例如语义分割、物体检测和点云检索等。
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