首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往
  • 您找到你想要的搜索结果了吗?
    是的
    没有找到

    开源 | CVPR2020 比RANSAC快13倍的端到端的3D点云匹配算法,表现SOTA

    本文提出一个新颖的、端到端的多视图3D点云匹配算法。多扫描匹配通常包含两个步骤:第一步,点对初始匹配,第二步,全局一致性验证。第一步经常由于点云的重叠度低、对称和场景重复的问题,造成难以准确对齐。因此,第二步,全局优化的目的是在多个扫描之间建立循环一致性,并帮助解决模糊匹配问题。本文提出的算法,是目前已知的第一个解决以上两个难点的端到端的学习算法。在公认的基准数据集上进行实验评估表明,本文的端到端的算法在训练和计算量方面比目前最新的方法具有明显优势。此外,本文进行详细的分析和消融研究(消融研究:是为了研究模型中所提出的一些结构是否有效而设计的实验),以验证本文算法的新组成部分的有效性。

    02

    计算机视觉最新进展概览(2021年8月8日到2021年8月14日)

    这项工作解决了雾天基于激光雷达的三维目标检测的挑战性任务。在这种情况下收集和注释数据是非常费时费力的。在本文中,我们通过将物理上精确的雾模拟到晴好天气场景中来解决这个问题,从而可以将晴好天气中捕获的大量现有真实数据集重新用于我们的任务。我们的贡献有两个方面:1)我们开发了一种适用于任何激光雷达数据集的物理上有效的雾模拟方法。这释放了大规模雾天训练数据的获取,无需额外成本。这些部分合成的数据可用于提高几种感知方法的鲁棒性,例如对真实雾天数据的3D目标检测和跟踪或同时定位和映射。2)通过使用几种最先进的检测方法的大量实验,我们表明,我们的雾模拟可以显著提高雾存在时的3D目标检测性能。因此,我们第一个在透视雾数据集上提供强有力的3D目标检测基线。

    03

    《Neural Rerendering in the Wild》论文解析

    这篇关于神经网络重渲染的文章,来自CVPR2019 oral.探索在不同的外观(如季节和时间)下记录,建模和重新渲染场景。基于记录旅游地标的互联网照片,论文对照片进行3D重构,并将场景近似为点云。对于每张照片,将场景点云渲染为深度帧缓冲deep framebuffer,并训练神经网络以学习这些初始渲染到真实照片的映射。通过这种方法,我们可以在屏幕前就能获取罗马一天的观光之旅,或者基于这种方法,构建真实的游戏场景体验。该渲染网络还将潜在外观向量和指示诸如行人的瞬态对象的位置语义掩码作为输入,同时对该模型在多种多样的光照条件的数据集上进行评估。作者还提供了视频,展示对图像视点,外观和语义标签的逼真处理。

    04
    领券