point cloud
PulseAugur coverage of point cloud — every cluster mentioning point cloud across labs, papers, and developer communities, ranked by signal.
5 天有情绪数据
-
新方法从外部软组织几何形状推断隐藏的骨骼地标
研究人员开发了一种新颖的方法，利用计算机断层扫描（CT）从外部软组织几何形状推断隐藏的骨骼地标。这种“表面到骨骼的3D头影测量法”旨在从可见的外部表面估计内部骨骼点，解决了当前3D面部地标定位技术中的一个空白。该研究利用了来自两家医院的CT扫描数据，构建了一个将外部软组织点云与21个骨骼地标配对的协议。在一个独立的患者组中，一个集成的分层点云模型在骨骼地标方面达到了2.97毫米的平均径向误差，在深层或不可见地标方面达到了3.03毫米，…
-
揭示了用于部分最优传输的新数学距离
研究人员引入了新的数学工具，即熵部分最优传输和部分混合 Gromov--Wasserstein 距离，旨在比较概率测度和度量测度空间。这些方法通过允许部分匹配来解决现有平衡公式的局限性，这对于包含异常值或不完整信息的数据集很有益。该论文详细介绍了这些新距离的数学特性，包括它们的存在性、唯一性和极限，并通过在合成数据和点云上的数值实验展示了它们的应用。
-
新框架直接从点云生成3D打印G代码
研究人员开发了一个名为PrintAnything的新框架，可以直接从3D点云生成3D打印G代码，无需进行网格重建。该方法解决了可能导致打印失败的网格伪影问题。该框架引入了一种逐层点投影策略和一个称为几何平面（G-plan）图的新型2D表示，该表示包括占用、区域和流图，以编码刀具路径合成所需的几何和挤出属性。这种方法提供了一个实用的、无网格的3D打印流程。
-
新方法近似微分形式上的扩散过程
研究人员开发了一种新颖的数据驱动方法来近似投影环境连接拉普拉斯算子，该算子作用于黎曼流形上的微分形式，而这些流形由点云采样。该方法将现有的扩散图技术扩展到处理任意阶的微分形式，利用了从交替微分数组派生的值矩阵扩散算子。该方法允许为微分形式上的热方程构建显式欧拉格式，并通过在单位球体上的数值实验进行了验证，证实了其有效性。
-
Trans-Unet 增强了脑折叠预测的三维点云学习
研究人员开发了 Trans-Unet，一个旨在提高三维点云学习预测脑折叠模式的准确性和效率的新框架。该方法将三维点云数据转换为二维网格，从而实现了一个结合了卷积神经网络和自注意力机制的混合模型。Trans-Unet 有效地捕捉局部和全局特征，从而实现对大脑表面生长的高保真预测，并优于现有方法。
-
新研究详细介绍了通过深度展开进行3D点云属性压缩
一篇新的arXiv研究论文介绍了一种压缩3D点云属性的方法。该方法利用多分辨率B样条框架和源自率失真优化的前馈网络。该网络包含一个促进稀疏性的L1范数以增强系数预测，并且设计为端到端可微。
-
新的采样方法使机器学习能够处理可变大小的输入
研究人员提出了一种新颖的机器学习模型框架，该框架能够处理不同大小的输入，例如点云、序列和图。该方法利用随机采样映射来比较和近似不同维度的输入，解决了泛化到更大未见数据和高效评估的挑战。该方法为跨越各种函数类（包括在序列、图和张量上定义的函数类）的泛化和草图提供了明确的速率。
-
新的NumGrad-Pull方法增强了3D表面重建
研究人员开发了一种名为NumGrad-Pull的新方法，用于从无方向、无序的3D点云中重建连续表面。该方法利用三平面表示来加速符号距离函数的学习，并提高表面重建的细节保真度。为了增强训练稳定性，该方法采用了数值梯度而非传统的解析计算，并结合了渐进式平面扩展策略以加快收敛速度，以及数据采样策略以减少重建伪影。
-
投毒攻击可规避AVs的3D点云数据集中的数据增强
一篇新的研究论文调查了投毒攻击对增强型3D点云数据集的影响，特别是对网联和自动驾驶汽车。研究发现，数据增强技术（如生成对抗网络GANs）并不能完全减轻投毒的影响。相反，投毒可以规避这些净化方法，在增强型数据集中传播，并最终改变分类器所做的决策。
-
新型多模态大语言模型增强对室内建筑构件的理解
研究人员开发了Building-MLLM，一个新颖的多模态大语言模型，用于从点云数据理解室内建筑构件。该模型将点云与自然语言指令相结合，执行简单的识别、复杂的字幕生成以及回答工程相关问题等任务。Building-MLLM采用点信息增强器和保持几何正则化等特定机制来提高语义理解能力，并汇编了一个包含超过4100个对象和37,000个指令遵循对的合成数据集来训练和评估该模型。
-
DriveWeaver 通过点条件视频修复增强自动驾驶模拟
研究人员开发了 DriveWeaver，一个旨在通过将具有特定轨迹的车辆插入现有场景来改进自动驾驶模拟的新框架。该方法使用基于点云的视频修复来确保无缝集成和时间一致性，克服了传统基于 3D 资产的方法常导致光照不一致的局限性。DriveWeaver 还采用分层修复策略进行长期生成，并提取 3D 高斯表示以进行实时渲染，为自动驾驶场景增强提供了更具可扩展性和视觉真实感的工具。
-
新的EPMF方法通过多传感器融合改进3D语义分割
研究人员开发了EPMF，一种用于3D语义分割的高效多传感器融合方法。该技术通过有效结合来自RGB图像的视觉数据与来自点云的空间深度信息，增强了自动驾驶等应用的场景理解能力。EPMF利用双流网络和新颖的感知感知损失来改进特征提取和融合，在基准数据集上表现优于现有的最先进方法。
-
TriMM模型整合多模态数据以增强三维生成
研究人员推出TriMM，这是一种新颖的前馈生成模型，专为高质量三维资产创建而设计。TriMM独特地整合了来自多种模态的特征，例如RGB图像、RGBD数据和点云，以增强生成的三维资产的纹理和几何细节。该模型采用协同多模态编码来保留每种数据类型的独特优势，并利用辅助的二维和三维监督来提高鲁棒性。实验表明，与现有模型相比，TriMM在训练数据量显著减少的情况下仍能取得有竞争力的性能。
-
SpatialSV框架通过可解释的视觉监督增强MLLMs的3D空间感知能力
研究人员推出SpatialSV，一个旨在增强多模态大语言模型（MLLMs）3D空间感知能力的新框架。与依赖外部工具或不透明特征蒸馏的现有方法不同，SpatialSV将此能力直接内化到模型中。它通过面向任务的视觉监督来实现这一点，指导MLLMs将2D视觉特征转换为显式的3D表示，如深度图、相机姿态和点云。此过程不仅提高了空间智能，还通过可视化和诊断模型内部空间知识提供了可解释性。
-
新方法在无3D模型情况下利用旋转对称性估计物体姿态
研究人员开发了一种新颖的从点云估计物体姿态的方法，该方法不需要已知的3D模型。该方法利用了许多工业物体固有的旋转对称性，以克服因保密问题而限制访问详细3D模型的挑战。通过纳入使用通过利用这种对称性的最近邻搜索识别的对应关系计算出的旋转对称性约束损失，该方法迭代地优化物体姿态和点云本身。
-
新方法解决了可变形和多物体场景的三维几何重建问题
两篇新的研究论文介绍了从点云数据重建三维几何的新方法。ParCo-SDF 专注于可变形物体，通过编码时间几何相似性来实现无先验重建。S2MDF 通过引入一个即插即用的层来解决多物体场景表示问题，该层强制执行带符号距离场 (SDF) 的无交集约束，从而提高物理合理性。
-
新的 Metric--Phase Fields 改进了薄结构的 3D 重建
研究人员开发了一种名为 Metric--Phase Fields (MPFs) 的新方法，以改进从无定向点云中重建薄结构。与现有方法在处理薄或开放几何形状时遇到的困难不同，MPFs 将距离和相位信息解耦。这使得能够更忠实地保留薄层状形状，同时实现更稳健的训练和可靠的表面提取。
-
新的 t-FCW 图表示增强了点云分析
研究人员开发了一种增强的转置全连接加权 (t-FCW) 图表示，用于将点云嵌入度量空间。这种新方法分析了使 t-FCW 生效的特性，从而构建了一个仅将其用作特征提取器的网络。增强的 t-FCW 通过维度关系提供可解释性，并实现高效处理，在 NVIDIA RTX A5000 GPU 上约 7 秒内完成 ModelNet40 分类。