PU-GAN a Point Cloud Upsampling Adversarial Network

【论文笔记】点云上采样网络 PU-GAN: a Point Cloud Upsampling Adversarial Network ICCV 2019 代码链接 : 链接 论文介绍: 链接 香港中文大学 本文方法可以直接对激光雷达的scan数据进行上采样以及数据修正,得到的结果更加完整、均匀: 本文在合成数据集以及真实数据集上进行了测试,在上采样点云的均匀性、靠近曲面性(生成的点云要更加接近表面)、三维重建质量三个方面超越了现有方法。 相关工作 现有点云上采样的方法有三种: 1. 基于优化的方法 这些方法都不是以数据为驱动的,它们严重依赖于先验知识,如光滑曲面的消耗、法向估计等 2. 基于深度学习的方法 点云上采样与点云补全(point comple. 阅读详情

这篇是ICCV2019的一篇上采样论文。

Ps:学习论文时,我只备注重要的知识点。

一、Abstract

1、概括

存在问题 点云是稀疏、有噪音(outlier points)、不均匀的
作者目的 学习已有点的特征, 从而增加点, 并且使点的分布要均匀
采取方法 generative adversarial network (GAN)、Patch-based Upsampling
理由 GAN能够探索潜在空间中的各种点分布,能够更好的生成否合特征的点

2、文章的创新点

  • Up-down-up expansion unit -------主要用上采样之后的结果和最初数据进行比较,得出误差
  • Self-attention unit---------------------使点的特征靠的更近,提取到更多的特征
  • Compound loss-----------------------处理点和点之间的距离,使得更加均匀

3、Question:GAN为何能够充分探索点的分布空间?它有什么特质?

二、Introduction

1、一些碎碎念的知识点(可忽略)

~fill small holes and gaps使点分布均匀来填补孔洞和缝隙

2、对以前的论文,作者认为它们网络的效果并不好,并不能从低质量的点云中生成完整、密集、分布均匀的

【论文阅读】PU-GAN:点云上采样的对抗生成网络 PU-GAN:一种点云上采样的对抗生成网络模型 阅读详情

相关推荐

点云补全综述 Comprehensive Review of Deep Learning-Based 3D Point Clouds Completion Processing and Analys

点云补全是由部分点云衍生而来的一个生成和估计问题,在三维计算机视觉的应用中起着至关重要的作用。深度学习(DL)的发展令人印象深刻地提高了点云完成的能力和鲁棒性。但是,已完成的点云的质量仍需进一步提高,以满足实际利用。因此,本工作旨在对各种方法进行全面的调查,包括基于点、基于卷积、基于图和基于生成模型的方法等。本调查总结了这些方法之间的比较,以激发进一步的研究见解。此外,本文综述了常用的数据集,并说明了点云补全的应用。最后,我们还讨论了在这一迅速扩大的领域中可能出现的研究趋势。

weixin_42155685的博客 2万+

SSPU-Net

SSPU-Net Accepted by ACM MM 2021 1. 研究动机: ​ 传统的点云数据通过基于Ground Truth的有监督的方式实现数据上采样的工作,而本文提出了一种可以基于自监督的方式实现点云数据上采样。 ​ 为什么要上采样?因为一般采集到的点云数据通常是稀疏的,对于一些局部的几何结构表达不够好,可能会影响下游的处理任务。所以,有必要对稀疏点云进行上采样,以生成稠密完整的点云,从而方便后续的点云处理任务。 创新点:、 NEU(neighbor expansion un

Yore_的博客 1365

点云上采样实战:用PU-GCN、PU-Net、MPU和PU-GAN模型在PU1K数据集上跑分对比

本文深度评测了PU-GCN、PU-Net、MPU和PU-GAN四种主流点云上采样模型在PU1K数据集上的表现,从算法原理、训练流程到量化指标进行全面对比。实验结果显示,PU-GAN在重建质量上最优,而PU-GCN在综合性能和显存效率上表现突出,MPU则适合大场景处理。为开发者提供了详细的选型指南和工程优化建议,助力三维视觉项目高效实施。

weixin_42528974的博客 173

Point Cloud Upsampling Network

核心思想是学习每个点的多层次特征,然后利用不同的卷积分支在特征空间的中进行扩充。然后将扩充后的特征进行分解并重建为上采样点云集。我们的网络应用于块状点云上,并且使用了联合的损失函数使得上采样后的点在潜在的曲面上分布一致。 我们制定了两个度量标准,分布均匀性和距下层表面的距离偏差。 我们网络中输入和输出点的数量并不相同。 给定一组点,通过学习训练数据集的几何形状生成一组更密集的点来描述基础几何。输入...

qq_42183018的博客 1254

PU-GAN网络的 evaluation code.cpp

一、输入: argv[1]是网格文件, argv[2]是PU-GAN网络模型预测的点 argv[3]是sampling seed,也有可能没有这一项 二、目的 1.计算预测点到网格中距离它最近点的point2surface distance(和真实模型的比对) 2.计算每一个比例p的面积中点的uniformity (该值越小越好) (1)Uimbalance中表示一个p比例的面积中偏差多少(应该有多少点,实际有多少点) (2)Uclutter表示每个p比例的面积中点和最近点

wuprogrammer的博客 640

微信小程序网关逆向分析:从协议、签名到会话管理的安全架构剖析

在现代Web与移动应用开发中,API网关作为客户端与后端服务之间的关键通信枢纽,承担着协议转换、流量调度、安全防护与性能优化等核心职责。其工作原理通常涉及统一的请求路由、身份认证、参数校验与响应聚合。从技术价值看,深入理解网关机制不仅能帮助开发者构建更健壮、可扩展的微服务架构,还能为安全评估、性能调优与故障排查提供基础。在移动生态如微信小程序中,网关设计尤为关键,它需要处理微信特有的登录态、数据加密与防重放攻击等安全需求。本文聚焦于微信小程序网关的逆向分析方法,通过结合网络抓包与代码反编译技术,深入解析其通

weixin_29323493的博客 443

SD-WAN组网案例——数据中心

SD-WAN组网案例——数据中心

2301_78457663的博客 706

PyTorch版Unet训练后别只看loss:手把手教你计算并可视化多类别语义分割的mIoU(附完整代码)

本文详细介绍了在PyTorch中使用Unet模型进行多类别语义分割后,如何计算和可视化mIoU(mean Intersection over Union)以全面评估模型性能。通过完整的代码示例和实用技巧,帮助开发者从loss优化转向更精准的区域分割评估,特别适用于医学图像分析等关键场景。

weixin_30906185的博客 435

深度解析:如何通过NodeRed实现私有485协议VRF中央空调与HomeAssistant的无缝对接

本文详细介绍了如何利用NodeRed的灵活流程化编程,破解并处理VRF中央空调的私有485协议,实现与HomeAssistant的无缝本地化集成。文章从协议分析、硬件准备到NodeRed核心流程搭建、数据映射及双向通信控制,提供了一套完整的实战方案,帮助用户将非标设备深度融入智能家居生态,摆脱对厂家云服务的依赖。

weixin_29173777的博客 409

药物对接仿真软件:HADDOCK_(5).HADDOCK中蛋白质-配体对接流程

半柔性能量最小化阶段是在刚体能量最小化的基础上,允许配体的部分柔性,通过优化配体的构象来进一步提高对接的准确性。半柔性能量最小化阶段是在刚体能量最小化的基础上,允许配体的部分柔性,通过优化配体的构象来进一步提高对接的准确性。如果是PDB格式,确保文件包含所有必要的原子信息。对接完成后,HADDOCK会生成一系列的输出文件,包括对接后的蛋白质-配体复合物结构文件、能量评分文件和统计分析文件。对接完成后,HADDOCK会生成一系列的输出文件,包括对接后的蛋白质-配体复合物结构文件、能量评分文件和统计分析文件。

kkchenjj的博客 1086

PCL Trimmed ICP实现点云精配准【2025最新版】

博客长期更新,本文最新更新时间为:2025年6月25日。抄袭狗记得来抄最新代码哦,抄都抄成错的,不够丢人钱。

点云侠的博客 37万+

Ubuntu24.04安装搜狗输入法详细教程

本章教程,介绍如何在Ubuntu24.04版本操作系统上安装搜狗输入法。

猿小白的博客 1万+

18年陕西省TI杯电赛无人机赛题视觉部分

更新: 相同任务另外两种不同的视觉方法: https://blog.youkuaiyun.com/qq_41895747/article/details/97613077 https://blog.youkuaiyun.com/qq_41895747/article/details/97614971 任务:识别前方的方框,无人机从方框中飞出去 视觉任务:识别特定方框,返回方框中心坐标 # -*- codin...

沉迷单车的追风少年 1506

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面,电脑运行连游戏界面都一样大小,很怀旧,很真实,(英文版)强烈推荐,很小的文件,很难才找到的。

廖雪峰Python教程[完整版]

廖雪峰的python教程整理的,已经排好版了,而且还是完整的,适合小白

上一篇: Leetcode 301 删除无效的括号
下一篇: 卷积操作和池化操作(滑动窗口实现)
念殊15
博客等级 码龄8年 17粉丝 177原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
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