今年ICCV19涉及點雲的相關論文一共49篇(keyword:point),標題直接包含點雲的26篇(keyword:pointcloud).後續在瀏覽今年論文時會持續更新。這篇博客挑選了其中一些感興趣的點雲相關文章進行解讀。
v1:finish pics and link 10302019
🚌基於2D-3D聯合特徵表示的稀疏深度補全方法,(from Uber 多倫多大學)
🚌ForkNet基於單幅深度圖的多分支體素語義補全模型,(from TUM google)
🚌基於成像的偏差來進行深度估計AMA-net,通過圖像離焦信息中包含的豐富像差信息計算偏差圖Aberration Map,並基於它分析推斷出深度(from 東芝研究院和兵庫大學)
不同像差及點擴散函數測量結果:
像差深度估計模型及實驗裝置:
🚌對單目深度估計的方法進行了深入的分析,發現網絡的深度估計依賴於圖像中的垂直位置而不是外觀大小,(from 代爾夫特理工)
🚌Gated2Depth基於門控相機的實時激光點雲稠密化方法,(from Daimler AG, Algolux,Ulm University,Princeton University)
code:https://github.com/gruberto/Gated2Depth
ref:http://blog.sina.com.cn/s/blog_17a717f460102x5kj.html
🚌DUP-Net基於點雲去噪和上採樣的防禦網絡,(from 中科大)
上採樣採用了PU-Net的方法,而去噪則使用了基於統計的局外點去除法值得學習。
🚌STD稀疏到稠密的三維點雲目標檢測器,(from 優圖 港中文)
🚌ShellNet基於同軸殼層統計的高效點雲卷積方法,(from 新加坡技術設計大型、東京大學、港科技)
code:https://hkust-vgd.github.io/shellnet/
🚌USIP點雲中關鍵點提取的非監督方法,可以在無需標記數據的情況下學習出點雲穩定的關鍵點,基於不同位置下的關鍵點結果來提取損失(from 新加坡國立大學)
code:https://github.com/lijx10/USIP
🚌Total Denoising無監督點雲去噪方法,將非監督圖像去噪的方法進行拓展,基於流型空間來進行去噪(from 烏爾姆大學 倫敦大學學院 林雪平大學 )
🚌PointCloud Saliency Maps 點雲顯著性圖評價點雲對於識別最重要的部分和關鍵點,(from 紐約州立布法羅分校 浙大)
code:https://github.com/tianzheng4/