PulseAugur
中
实时 07:06:37
实体 ArkitScenes

ArkitScenes

PulseAugur coverage of ArkitScenes — every cluster mentioning ArkitScenes across labs, papers, and developer communities, ranked by signal.

Show in brief
总计 · 30天
1
90 天内 4
发布 · 30天
0
90 天内 0
论文 · 30天
1
90 天内 4
层级分布 · 90 天
主题
情绪 · 30 天

1 天有情绪数据

最近 · 第 1/1 页 · 共 5 条
  1. TOOL · CL_360476 ·

    新的“See and Detect”框架推动了图像驱动的3D目标检测

    研究人员开发了“See and Detect”,一个新颖的图像驱动的开放词汇多视图3D目标检测框架。该方法利用多视图图像作为生成3D边界框和语义标签的主要来源,克服了点云驱动方法的局限性。该框架结合了多视图共识框合并和质量评估来优化预测,以及上下文感知语义学习以提高分类准确性。在ScanNet和ARKitScenes上的实验表明,与以前的方法相比,该方法取得了最先进的性能,并显著加快了速度。

  2. TOOL · CL_273484 ·

    PoseAgent 框架动态编排相机位姿估计方法

    研究人员开发了 PoseAgent,一个旨在提高相对相机位姿估计的准确性和鲁棒性的新框架。该系统通过采用学习到的排序和验证代理,动态地选择和编排各种位姿估计方法。该框架分析图像对以预测不同估计器的适用性,执行最有希望的估计器,并验证其输出。PoseAgent 在多个基准测试中表现出改进的性能,在某些场景下优于独立的估计器,甚至优于基于视觉语言模型的代理。

  3. TOOL · CL_187437 ·

    SR-JEPA模型学习3D场景中的预测性潜在状态

    研究人员推出SR-JEPA,一种新颖的联合嵌入预测架构,专为3D场景点云设计。该模型通过预测场景内缺失对象的潜在表示来学习,而不是依赖于重建或语义标签。在ARKitScenes数据集上的评估表明,SR-JEPA在估算的潜在状态方面可以达到43.13%的语义-身份宏观准确率,显著优于基线方法。在Sr3D支持对上的进一步实验表明,该模型可以推断出可组合的3D预测状态,并与几何信息结合用于下游任务。

  4. TOOL · CL_128731 ·

    新的DH-Active系统通过选择性弃权增强LiDAR深度感知

    研究人员开发了DH-Active,一个新颖的几何处理系统,旨在增强iPhone等设备的深度感知能力。该系统无需训练,使用LiDAR回波作为度量尺,锚定多个视图的相对姿态,然后进行视觉可追踪点的三角测量。DH-Active选择性地放弃在几何条件不佳时进行深度估计,提供明确的空洞和分数,而不是不准确的数据。该系统实现了近毫秒级的CPU延迟,并在各种基准测试中显示出深度恢复精度的显著提高。

  5. RESEARCH · CL_06566 ·

    FUSER transformer 在扩散精炼下实现了高效的多视图 3D 配准

    研究人员推出了一种新颖的前馈 Transformer 模型 FUSER,用于多视图 3D 配准。该模型在潜在空间中同时处理所有扫描,直接预测全局姿态,无需进行计算密集型的成对匹配。FUSER 使用稀疏 3D CNN 对扫描进行编码,并使用几何交替注意力模块进行高效推理,同时整合了来自基础模型的 2D 注意力先验。此外,FUSER-DF,一个扩散精炼框架,通过在联合 SE(3)$^N$ 空间中对估计值进行去噪,进一步提高了配准精度。