CVPR2023 点云论文合集

作者：AMiner科技发布时间：2023-05-24

国际计算机视觉与模式识别会议（CVPR）是计算机科学领域中的顶级会议之一，也是图像处理、机器学习、人工智能等多个领域的交叉学科会议。

每年的CVPR会议都会有大量的论文投稿和学术交流活动，其中涵盖了包括图像处理、计算机视觉、模式识别、机器学习、深度学习、人工智能等多个研究方向，是该领域最具有影响力和代表性的学术会议之一。

AMiner通过AI技术，对 CVPR2023 收录的会议论文进行了分类整理，今日分享的是点云主题论文，共31篇，我们在这里展示十篇最受欢迎的论文，欢迎下载收藏！

1.ULIP: Learning a Unified Representation of Language, Images, and Point Clouds for 3D Understanding

作者：Le Xue,Mingfei Gao,Chen Xing,Roberto Martín-Martín,Jiajun Wu,Caiming Xiong,Ran Xu,Juan Carlos Niebles,Silvio Savarese

链接：https://www.aminer.cn/pub/6397ed4390e50fcafdf42bcd/

AI综述（大模型驱动）：该论文介绍了ulip,一个学习三维图像、文本和三维点球的工具。ulip利用先前训练的视觉语言模型在shapenet55中学习三维图像、文本和三维点球,从而提高了其在标准3D分类和零射击3D分类上的表现。ulip还在新模型Net40和ScanObjectNN上的零射击3D分类方面表现出优异的性能。

2.SCPNet: Semantic Scene Completion on Point Cloud

作者：Zhaoyang Xia,Youquan Liu,Xin Li,Xinge Zhu,Yuexin Ma,Yikang Li,Yuenan Hou,Yu Qiao

链接：https://www.aminer.cn/pub/640fe64790e50fcafd9e27b3/

AI综述（大模型驱动）：本文提出了一种新的语义场景完成模型(SSC)扩展方案,包括多轨道框架知识提取、密集关系提取和标记修正。该方案采用了一种简单而有效的标记修正策略,使用边缘光学分段标签删除动态物体的痕迹,提高深度模型的性能。在两个公共SSC基准测试中,SCPNet名列第一,并超过了竞争对手的S3CNet。此外,该方法还实现了SemanticKITTI语义分组任务的竞争性结果,表明所学习的知识对于分组任务具有重要意义。

3.Grad-PU: Arbitrary-Scale Point Cloud Upsampling via Gradient Descent with Learned Distance Functions

作者：Yun He,Danhang Tang,Yinda Zhang,Xiangyang Xue,Yanwei Fu

链接：https://www.aminer.cn/pub/644744fb71ac66d2cbf9ba65/

AI综述（大模型驱动）：本文提出了一种快速、准确的特征提取、特征扩展和3D协调预测的框架。该方法首先对给定的高压点进行映射,然后通过随机优化过程将映射点的位置与训练模型估计的差异进行改进。在基准测试中,大量量化和 qualitative结果表明,该方法能够实现最先进的准确性和效率。

4.ProxyFormer: Proxy Alignment Assisted Point Cloud Completion with Missing Part Sensitive Transformer

作者：Shanshan Li,Pan Gao,Xiaoyang Tan,Mingqiang Wei

链接：https://www.aminer.cn/pub/63fec3cd90e50fcafdd70392/

AI综述（大模型驱动）：在本文中,我们提出了一种新的基于特征和位置提取器的分层目标接口实现。该方法将数据集划分为现有(输入)和未知(可预测的)部分,每个部分通过其支持向量传递信息。特别是,通过特征和位置提取器生成缺失点提示的功能,并从现有的缺失点提示中生成缺失点的特征。然后,为了更好地理解缺失点的位置,我们设计了一个缺失部分敏感的变体,它将随机常数分布转换为合理的局部位置信息,并使用间接对齐来改进缺失提示。这使得预期的缺失提示更加敏感,从而使这些提示适合以后粗粒度细粒度的处理。实验结果表明,我们的方法优于几个基线完成网络,并且最快推理速度。

5.MoDAR: Using Motion Forecasting for 3D Object Detection in Point Cloud Sequences

作者：Yingwei Li,Charles R. Qi,Yin Zhou,Chenxi Liu,Dragomir Anguelov

链接：https://www.aminer.cn/pub/6464af67d68f896efa351ac2/

AI综述（大模型驱动）：本文提出了MoDAR,利用运动预测输出作为虚拟模块,提高LiDAR点球。该方法从时间上下文扩展了物体信息,表示为一个虚拟点,每个物体来自预测的轨道上的路径。将原始传感器点和虚拟点混合到任何远离货架点的3D物体探测器中,从而实现了新的先进水平。在Waymo开放数据集上评估,该方法显著提高了先前检测器,通过使用超长序列的运动预测来实现新水平,而不会增加大量计算负载。

6.Complete-to-Partial 4D Distillation for Self-Supervised Point Cloud Sequence Representation Learning

作者：Zhuoyang Zhang,Yuhao Dong,Yunze Liu,Li Yi

链接：https://www.aminer.cn/pub/6397ed4d90e50fcafdf43c01/

AI综述（大模型驱动）：本文提出了一种名为Complete to Partial 4D Distillation的4D自监督学习方法。其核心思想是将4D自监督表示学习定义为教师学生知识提取框架,并让学生学习有用的4D表示。实验结果表明,该方法在 Indoor和外部场景中的4D点球序列理解任务上显著优于以前的方法。

7.PiMAE: Point Cloud and Image Interactive Masked Autoencoders for 3D Object Detection

作者：Anthony Chen,Kevin Zhang,Renrui Zhang,Zihan Wang,Yuheng Lu,Yandong Guo,Shanghang Zhang

链接：https://www.aminer.cn/pub/641137fe90e50fcafd17bcbf/

AI综述（大模型驱动）：用于图像建模的隐马尔可夫模型本文描述了一种用于图像建模的隐马尔可夫模型,它通过三个方面促进了3D和2D交互。首先,我们首先注意到两个来源之间的掩护策略的重要性,然后使用投影变换器将其与两侧的显著标记相匹配地对齐。最后,我们设计了一个独一无二的跨马尔可夫复制算法来增强双向表示学习。

8.PartManip: Learning Cross-Category Generalizable Part Manipulation Policy from Point Cloud Observations

作者：Haoran Geng,Ziming Li,Yiran Geng,Jiayi Chen,Hao Dong,He Wang

链接：https://www.aminer.cn/pub/64264f7290e50fcafd688a74/

AI综述（大模型驱动）：本研究旨在构建第一个大规模、部分基于跨类别对象 manipulator benchmark,名为PartManip,它由11个物种类别、494个物种和1632个任务组成。与以前的工作相比,我们的基准更异质,有更多的物体,使用较少的视角云作为输入,而不是racle信息,从而克服了不同物体的多样性。我们还引入了领域敌对学习来提取领域的不变特征提取。许多模拟实验表明,我们学习的政策可以显著优于其他方法,尤其是在看不见的物种类别上。

9.Learning Human-to-Robot Handovers from Point Clouds

作者：Sammy Christen,Wei Yang,Claudia Pérez-D'Arpino,Otmar Hilliges,Dieter Fox,Yu-Wei Chao

链接：https://www.aminer.cn/pub/64264f7b90e50fcafd68e1b2/

AI综述（大模型驱动）：本文提出了第一个学习基于视觉的人类到机器人交互的框架。该框架通过两个阶段的老师学生框架进行训练,使用运动和握力规划、激励学习和自监督。

10.ACL-SPC: Adaptive Closed-Loop system for Self-Supervised Point Cloud Completion

作者：Sangmin Hong,Mohsen Yavartanoo,Reyhaneh Neshatavar,Kyoung Mu Lee

链接：https://www.aminer.cn/pub/640559c390e50fcafddb3de6/

AI综述（大模型驱动）：ACL SPC旨在从深度传感器中提取部分顶点的缺失,并生成一个完整的顶点。该方法通过一种新的自监督框架进行训练和测试,通过对不同数据集进行评估,证明它可以成功地学习完成部分顶点。结果表明,我们的方法与无监督方法相比具有相似的表现,并且在真实数据集上表现更好。大量实验证明了自监督学习的必要性和有效性。