潘亮:南洋理工大学 S-Lab 博士后,主要研究方向为基于深度学习的 3D 点云形状重建和语义感知,目前已在机器人和计算机视觉顶会发表多篇论文。
报告题目:变分关联点云补全网络
报告摘要:在 CVPR 2021 上,南洋理工大学 S-Lab 与商汤 IRDC 团队合作提出变分关联点云补全网络 (VRCNet)。如 Fig.1(a) 所示, VRCNet 首先预测出粗略形状框架 (PMNet),再增强关联性形状细节生成 (RENet)。对比之前方法, VRCNet 生成的完整点云有显著的质量提升 (见 Fig.1(b))。更进一步地, Fig.1© 中的补全结果显示, VRCNet 可以基于观测到的不同的残缺点云,结合关系性架构推测生成合理而不同的完整点云。此外,本文还建立了一个大规模多视角的残缺点云 (MVP) 数据集,可以应用于包括残缺点云分类、分割和配准等多个点云学习任务的研究。
论文题目:
Variational Relational Point Completion Network
分享亮点:
1、我们提出了 VRCNet,一个综合且强力的变分关联性点云补全网络。VRCNet 可以通过学习关联性结构来预测高质量完整点云;
2、此外,我们还提出了多个新颖并且强力的基于自注意力的点云学习模块,如 PSA 和 PSK,它们也可以很便捷地被运用到其他的点云学习任务中;
3、特别地,我们贡献了一个大规模的点云数据集 MVP,可以应用于多个点云学习任务,比如残缺点云分类和配准。
1. PCN Point Completion Network
推荐理由:首先使用深度学习实现 3D 点云补全, 证明了深度学习对点云补全任务的有效性。
2. TopNet Structural Point Cloud Decoder
推荐理由:提出了第一个在线测试的点云补全基准数据集。
3. Morphing and Sampling Network for Dense Point Cloud Completion∗
推荐理由:通过多个并行的点云学习路径,实现了全局点云形状生成。
4. ECG Edge-aware Point Cloud Completion with Graph Convolution
推荐理由:通过图网络学习并保留点云局部特征,增强了补全点云的质量。
5. GRNet Gridding Residual Network for Dense Point Cloud Completion
推荐理由:使用网格表征点云,可以更好地捕捉点云细节特征。
6. Detail Preserved Point Cloud Completion via Separated Feature Aggregation
推荐理由:使用多阶层网络,并行地收集不同层次的点云特征以获得保留局部特征的完整点云。