PU-GAN网络的 evaluation code.cpp

【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

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)

在这里插入图片描述

(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)

在这里插入图片描述
(2)Uclutter表示每个p比例的面积中点和最近点距离的偏差值(实际距离多少,准确距离应该是多少)

在这里插入图片描述

三、代码

里面没有Chamfer Distance(CD) 和Hausdorff distance (HD),两种测量方式的计算

#include <cstdlib>
#include <math.h>       /* sqrt */
#include <iostream>
#include <fstream>
#include <iterator>
#include <list>
#include <string>
#include <unistd.h>
#include <chrono>
#include <ctime>

#include <CGAL/Exact_predicates_inexact_constructions_kernel.h>
#include <CGAL/Simple_cartesian.h>

#include <CGAL/Random.h>
#include <CGAL/Surface_mesh.h>
#include <CGAL/Surface_mesh_shortest_path.h>
#include <CGAL/Polygon_mesh_processing/compute_normal.h>
#include <CGAL/Polygon_mesh_processing/measure.h>
#include <CGAL/Polygon_mesh_processing/distance.h>

#include <CGAL/Polyhedron_3.h>
#include <CGAL/Polyhedron_items_with_id_3.h>
#include <CGAL/IO/Polyhedron_iostream.h>

#include <CGAL/boost/graph/graph_traits_Polyhedron_3.h>
#include <CGAL/boost/graph/iterator.h>
#include <CGAL/AABB_face_graph_triangle_primitive.h>
#include <CGAL/AABB_traits.h>
#include <CGAL/AABB_tree.h>

// 我们使用了多线程来加速整个过程
// 定义线程数量
#define THREAD 4

typedef CGAL::Exact_predicates_inexact_constructions_kernel Kernel;
typedef CGAL::Surface_mesh<Kernel::Point_3> Triangle_mesh;
typedef CGAL::Surface_mesh_shortest_path_traits<Kernel, Triangle_mesh> Traits;
typedef CGAL::Surface_mesh_shortest_path<Traits> Surface_mesh_shortest_path;
typedef Surface_mesh_shortest_path::Face_location Face_location;
typedef boost::graph_traits<Triangle_mesh> Graph_traits;
typedef Graph_traits::vertex_iterator vertex_iterator;
typedef Graph_traits::face_iterator face_iterator;
typedef Graph_traits::face_descriptor face_descriptor;
typedef CGAL::AABB_face_graph_triangle_primitive<Triangle_mesh> AABB_face_graph_primitive;
typedef CGAL::AABB_traits<Kernel, AABB_face_graph_primitive> AABB_face_graph_traits;
typedef CGAL::AABB_tree<AABB_face_graph_traits> Tree;
typedef Traits::Barycentric_coordinate Barycentric_coordinate;
typedef Traits::FT FT;
typedef Traits::Point_3 Point_3;
typedef Traits::Vector_3 Vector_3;


void calculate_mean_var(std::vector<float> v){
   
   
  double sum = std::accumulate(std::begin(v), std::end(v), 0.0);
  double mean =  sum / v.size();
  double accum = 0.0;
  std::for_each (std::begin(v), std::end(v), [&](const double d) {
   
   
      accum += (d - mean) * (d - mean);
  });
  double stdev = sqrt(accum / (v.size()-1));
  auto max = std::max_element(std::begin(v), std::end(v));
  auto min = std::min_element(std::begin(v), std::end(v));
  std::cout<<"Mean: "<<mean<<" std: "<<stdev<<" min: "<<*min<<" max: "<<*max<<std::endl;
}

// 计算each disk的密度 
void *calculate_density(void* args){
   
   
  // 计算距离
  Triangle_mesh *tmesh =( Triangle_mesh *)(((void**)args)[0]);
  std::vector<Face_location> *pred_face_locations = (std::vector<Face_location> *)(((void**)args)[1]);
  std::vector<Face_location> *sample_face_locations = (std::vector<Face_location> *)(((void**)args)[2]);
  std::vector<Point_3> *sample_points = (std::vector<Point_3> *
【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

相关推荐

CGAL的三角形曲面网格的最短路径

机器人跨越三维地形表面的运动规划是最短路径计算的一个典型应用。使用二维近似无法捕捉到我们试图跨越的地形中任何有趣的东西,并且会给出糟糕的解决方案。这个问题通常被称为离散测地线问题。尽管这个问题的更一般版本,即存在障碍物的三维中最短路径,是NP难的,但当运动被限制在物体的二维表面时,它可以有效地解决。该软件包中实现的算法构建了一个数据结构,可以有效地回答以下形式的查询:给定一个三角网格曲面M、M上的一组源点S和M上的目标点t,找到t和S中任意元素之间的最短路径λ,其中λ被限制在M的表面上。

weixin_44897632的博客 2073

PU-GAN a Point Cloud Upsampling Adversarial Network

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 Upsamplin...

wuprogrammer的博客 1671

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+

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

【信息科学与工程学】计算机科学与自动化——第三百零五篇 计算机系统中的各类运算操作02

编号类型领域运算操作运算类型算法算法的详细设计及数学分析参数列表及参数的数值设计应用场景301集合运算关系代数关系集合Feature Selection (Chi-Square)集合运算卡方检验目标函数:χ2=∑E(O−E)2​ 衡量分类特征与目标的相关性;资源:O(n·d);条件:离散特征,离散目标;组合约束:值越大相关性越强。 数据结构:列联表。 代码实现(C++): 特征列,目标列文本分类中的特征选择。302集合运算关系代数关系集合Feature Selection (ANOVA F

weixin_49199313的博客 310

evaluation_code_v2.zip

ORB_SLAM2 评估效果使用的代码 来自tum 供研究slam 特此分享!

【Unity】Unity性能分析解决方案——UPR

由Unity中国团队提供的一套性能优化解决方案,其是一系列性能工具的集合,并可将收集的数据进行可视化。

Davidorzs的博客 1009

通过TMS320F28335学习DSP的开发流程——28335的基础知识(1)

1、TMS320F28335内核的主要特点 ①F28335 DSP集成了DSP和微控制器的长处,如DSP的主要特征、单周期乘法运算,F28335能够在一个周期内完成32x32位的乘法累加运算,或者两个16x16位乘法累加运算,而同样32位的普通单片机则需要4个周期以上才能完成 ②快速的中断响应 ③可在任何内存位置进行单周期读、修改、写操作 ④可采用C/C++编程软件,效率非常高 2、处理器的主要资源 ①32位浮点DSP,主频是150MHz,方便电机控制、电力设备控制及工业控制等。 ②片上存储器:FLASH–

Kayboy的博客 2万+

使用 Cynthion 与 Packetry 进行 USB 抓包与协议分析

Cynthion 是 Great Scott Gadgets 推出的USB 流量分析与注入设备。它具备以下特点:通过 FPGA 实现高速 USB 流量捕获;能够同时作为 USB Host 和 Device,进行调试和测试;支持输出 pcap 文件,可直接用 Wireshark 分析;提供 Python API,方便与上层软件联动。简单来说,Cynthion 是一个USB 协议分析仪 + 注入工具。硬件层捕获:实时拦截 USB 总线上的数据包;软件层解析。

YIMUleizi的博客 1264

斯坦福HumanPlus机器人核心技术解析:从HST强化学习框架到HIT模仿学习的实现路径

本文深入解析了斯坦福HumanPlus人形机器人的核心技术实现路径。其核心在于HST强化学习框架与HIT模仿学习架构的协同:HST作为“小脑”,通过rsl_rl框架在仿真中训练稳健的低级运动控制;HIT作为“大脑”,基于改进的Transformer架构学习高级任务规划。文章详细拆解了从算法原理、代码实现到硬件部署的全流程,为复现这一前沿机器人系统提供了实战指南。

weixin_29082143的博客 284

3D Slicer肺部CT病灶体积测量:阈值法实操全流程

在医学影像分析中,病灶体积的精准测量是肿瘤评估、疗效随访和科研统计的重要基础。传统逐层手动勾画不仅耗时,且主观差异大,而基于CT值的阈值分割技术,通过设定灰度区间自动提取目标体素,能够快速生成三维分割结果,具有高效、可重复、边界标准统一的优势,尤其适用于肺部实性结节这类与周围肺实质对比度高的病灶。理解体素与CT值的关系,掌握阈值范围的设定逻辑,并配合连通域分析、边缘修正等工程化操作,即可在3D Slicer中稳定获得可靠的体积数据。本文从技术原理出发,系统梳理了DICOM导入、窗宽窗位调节、阈值选择、三维重

weixin_29050271的博客 253

《网络安全自学教程》- Nmap使用及扫描原理分析

使用Nmap进行端口扫描、主机发现、服务识别、操作系统识别、指定脚本、结果导出文件,使用wireshark抓包分析扫描原理。

wangyuxiang946的博客 1万+

Docker安装并运行AnythingLLM的详细教程

通过本文的介绍,你已经掌握了如何在 CentOS 系统上使用 Docker 安装并运行 AnythingLLM。AnythingLLM 提供了强大的功能,支持本地知识库搭建和多模态输入,非常适合个人和企业使用。希望本文能帮助你快速上手并搭建自己的 AI 知识库。

加入“Super Entity”,与全能开发团队共探AI智能体与数字人项目,开启前沿技术之旅。 5865

基于MUSIC算法的DOA估计Matlab仿真

特别需要指出的是:通道与阵元并不是一一对应,通道是由空间的一个、几个或所有阵元合成的,当然空间某个特定的阵元可包含在不同的通道内。空间谱估计侧重于研究空间多传感器阵列所构成的处理系统对感兴趣的空间信号的多种参数进行准确估计的能力,其主要目的是估计信号的空域参数或信源位置,这也是雷达、通信、声纳等许多领域的重要任务之一。从系统框图中可以清晰的看出,估计空间相当于是对目标空间的一个重构过程,这个重构的精度由众多因素决定,如环境的复杂性、空间阵元的互耦、通道不一致、频带不一致等。

FPGA/MATLAB学习教程/源码/项目合作开发 1750

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

android 蓝牙通讯demo

android 下蓝牙通讯demo,实现了发现蓝牙,使能蓝牙,通过蓝牙发送消息。

上一篇: 基于注解的AOP开发小例子
下一篇: CGAL下载安装
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