CVPR 2021|三维视觉相关论文汇总

作者丨Tom Hardy@知乎

编辑丨3D视觉工坊

1、GDR-Net: Geometry-Guided Direct Regression Network forMonocular 6D Object Pose Estimation

paper链接：​​https://arxiv.org/pdf/2102.12145.pdf​​

源码链接：​​https://github.com/THU-DA-6D-Pose-Group/GDR-Net​​

从单个RGB图像中进行6D姿态估计是计算机视觉中的一项重要任务。目前最先进的基于深度学习的方法依赖于一种间接的策略，即首先在图像平面坐标系和目标坐标系之间建立2D-3D的对应关系，然后应用PnP/RANSAC算法的变体。然而，这种两级pipeline不是端到端可训练的，因此很难用于许多需要微分姿态的任务。另一方面，目前基于直接回归的方法不如基于几何的方法。在这项工作中，我们对直接和间接方法进行了深入的研究，并提出了一种简单而有效的几何引导直接回归网络（GDR-Net）来从基于密集对应的中间几何表示中以端到端的方式学习6D姿态。大量实验表明，在LM、LM-O和YCB-V数据集上，我们的方法明显优于最先进的方法。

2、Robust Neural Routing Through Space Partitions for Camera Relocalization in Dynamic Indoor Environments

paper链接：​​https://arxiv.org/pdf/2012.04746.pdf​​

在已知的室内环境中定位摄像机是场景映射、机器人导航、AR等的关键构建块。最新进展通过优化2D/3D摄像机空间和3D世界空间坐标之间建立的2D/3D-3D对应关系来估计摄像机姿态。这种映射可以用一个进化神经网络或一个仅使用静态输入图像序列的决策树来估计，这使得这些方法不适用于在现实世界中非常常见但具有挑战性的动态室内环境。为了解决上述问题，本文提出了一种新的感知神经树，它将深度学习和决策树两种方法联系起来。

3、PointGuard: Provably Robust 3D Point Cloud Classification

paper链接：​​https://arxiv.org/pdf/2103.03046.pdf​​

三维点云分类在自动驾驶、机器人抓取等领域有着广泛的应用。然而，一些研究表明它很容易受到攻击。特别是，攻击者可以通过小心地修改、添加和/或删除少量点云的点，使分类器预测三维点云的错误标签。随机平滑技术是建立可靠的二维图像的最新技术分类器。但是，当应用于三维点云分类时，随机平滑只能证明对不同修改点的鲁棒性 在这项工作中，我们提出了PointGuard，这是第一种针对对手修改、添加和/或删除的点具有可证明的健壮性保证的防御机制。

4、Towards Semantic Segmentation of Urban-Scale 3D Point Clouds: A Dataset, Benchmarks and Challenges

5、SpinNet: Learning a General Surface Descriptor for 3D Point Cloud Registration

paper链接：​​https://www.researchgate.net/publication/346303058_SpinNet_Learning_a_General_Surface_Descriptor_for_3D_Point_Cloud_Registration_CVPR_2021​​

通过深度学习网络学习3D点云匹配所需的表面描述符

6、MultiBodySync: Multi-Body Segmentation and Motion Estimation via 3D Scan Synchronization

paper链接：​​https://arxiv.org/pdf/2101.06605.pdf​​

论文提出了一种新颖的、端到端可训练的多体运动分割和多输入三维点云刚性配准框架MultiBodySync。

7、Diffusion Probabilistic Models for 3D Point Cloud Generation

paper链接：​​https://arxiv.org/abs/2103.01458​​

论文提出了一个点云生成的概率模型，它对于各种三维视觉任务（如形状补全、上采样、合成和数据增强）至关重要。

8、Style-based Point Generator with Adversarial Rendering for Point Cloud Completion

paper链接：​​https://arxiv.org/abs/2103.02535​​

在本文中，我们提出了一种新的基于风格的点生成器（SpareNet）与Adversarial Rendering (SpareNet) for point cloud completion。

9、PREDATOR: Registration of 3D Point Clouds with Low Overlap

paper链接：​​https://arxiv.org/pdf/2011.13005.pdf​​

10、PCLs: Geometry-aware Neural Reconstruction of 3D Pose with Perspective Crop Layers

paper链接：​​https://arxiv.org/abs/2011.13607​​

局部处理是CNN和其他神经网络结构的一个基本特征，这也是为什么它们在相关信息在很大程度上是局部的图像上工作得如此好的原因之一。然而，传统相机中的投影产生的透视效果因图像中不同的全局位置而不同。论文引入了透视裁剪层（Perspective Crop Layers，PCLs），这是一种基于摄像机几何结构的感兴趣区域透视裁剪的形式，并表明考虑透视可以持续地提高最先进的三维姿态重建方法的精度。

本文仅做学术分享，如有侵权，请联系删文。

▲长按加微信群或投稿

▲长按关注公众号