【ICCV2019】點雲相關論文解析

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/

---

Todo(rjj): more paper if hint
🚌,(from )

🚌,(from )

🚌,(from )

🚌,(from )

🚌,(from )

---

ref:emoji code

pic from pixels.com