FoldingNet论文介绍了通过深度网格变形处理不规则点云的自编码器，提出新的图基编码器和折叠基解码器。相比体素化方法，该方法效果更优。主要贡献包括：端到端点云自编码器、折叠解码操作以重新排序点云，以及在无监督方法中展现出的高精确度分类。
Introduction：
本篇论文，介绍了一个通过深度网格变形的点云自编码器（AE）。
提出了新的端到端graph-based编码器和folding-based解码器。
因为点云结构是不规则的，一般由稀疏的三维点表示，很难应用到传统的深度学习的框架中（比如CNN中，每个样本点的相邻样本点需要在固定的一个地方以便于卷积，但是点云中的样本点做不到这样），一种解决方法是将点云体素化来模拟图像，但是这种方法存在很多缺陷，代价比较大。作者在本文提出的操作，就是用来解决点云不规则结构带来的问题，且比之前的方法效果要好。
Contributions：
- 训练了一个端到端的深度自编码器，来直接作用在无序点云上；
- 提出了一个新的解码操作folding，为重构的点云排序；
- 做实验，可知，相比其他无监督的方法，folding分类的精确度更高；
——————————————————————————————————————
Figures and Tables
Table 1：通过folding操作将2D样本点粘回了物体表面
第一列输入的是从ShapeNet数据集里的原始点云样本，
第二列，在解码过程中2D网格点被折叠了&#x
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
