由于視角、遮擋和噪聲的影響，實時掃描的點云通常是不完整的?，F(xiàn)有的點云補全方法傾向于生成全局形狀骨架，因此會缺乏精細的局部細節(jié)。此外，現(xiàn)有方法主要學(xué)習(xí)確定性的部分到完全的映射，但忽略了人造物體中的結(jié)構(gòu)關(guān)系。本期論壇我們邀請到了來自南洋理工大學(xué)的潘亮，他提出的變分關(guān)聯(lián)點云補全網(wǎng)絡(luò)成功應(yīng)對了這些挑戰(zhàn)。

講者介紹

潘亮，南洋理工大學(xué) S-Lab 博士后，主要研究方向為基于深度學(xué)習(xí)的 3D 點云形狀重建和語義感知，目前已在機器人和計算機視覺頂會發(fā)表多篇論文。

會議題目

變分關(guān)聯(lián)點云補全網(wǎng)絡(luò)

會議摘要

在 CVPR 2021 上，南洋理工大學(xué) S-Lab 與商湯 IRDC 團隊合作提出變分關(guān)聯(lián)點云補全網(wǎng)絡(luò) (VRCNet)。如 Fig.1(a) 所示， VRCNet 首先預(yù)測出粗略形狀框架 (PMNet)，再增強關(guān)聯(lián)性形狀細節(jié)生成 (RENet)。對比之前方法， VRCNet 生成的完整點云有顯著的質(zhì)量提升 (見 Fig.1(b))。更進一步地， Fig.1(c) 中的補全結(jié)果顯示， VRCNet 可以基于觀測到的不同的殘缺點云，結(jié)合關(guān)系性架構(gòu)推測生成合理而不同的完整點云。此外，本文還建立了一個大規(guī)模多視角的殘缺點云 (MVP) 數(shù)據(jù)集，可以應(yīng)用于包括殘缺點云分類、分割和配準等多個點云學(xué)習(xí)任務(wù)的研究。

在線閱讀：https://bbs.sffai.com/d/258

會議亮點

1、我們提出了 VRCNet，一個綜合且強力的變分關(guān)聯(lián)性點云補全網(wǎng)絡(luò)。VRCNet 可以通過學(xué)習(xí)關(guān)聯(lián)性結(jié)構(gòu)來預(yù)測高質(zhì)量完整點云；

2、此外，我們還提出了多個新穎并且強力的基于自注意力的點云學(xué)習(xí)模塊，如 PSA 和 PSK，它們也可以很便捷地被運用到其他的點云學(xué)習(xí)任務(wù)中；

3、特別地，我們貢獻了一個大規(guī)模的點云數(shù)據(jù)集 MVP，可以應(yīng)用于多個點云學(xué)習(xí)任務(wù)，比如殘缺點云分類和配準。

直播時間

2021年7月18日（周日）20:00—21:00 線上直播

關(guān)注微信公眾號：人工智能前沿講習(xí)，對話框回復(fù)“SFFAI114”，獲取入群二維碼

注：騰訊會議直播地址會分享在交流群內(nèi)

現(xiàn)代科學(xué)技術(shù)高度社會化，在科學(xué)理論與技術(shù)方法上更加趨向綜合與統(tǒng)一，為了滿足人工智能不同領(lǐng)域研究者相互交流、彼此啟發(fā)的需求，我們發(fā)起了SFFAI這個公益活動。SFFAI每周舉行一期線下活動，邀請一線科研人員分享、討論人工智能各個領(lǐng)域的前沿思想和最新成果，使專注于各個細分領(lǐng)域的研究者開拓視野、觸類旁通。

SFFAI目前主要關(guān)注機器學(xué)習(xí)、計算機視覺、自然語言處理等各個人工智能垂直領(lǐng)域及交叉領(lǐng)域的前沿進展，將對線下討論的內(nèi)容進行線上傳播，使后來者少踩坑，也為講者塑造個人影響力。SFFAI還在構(gòu)建人工智能領(lǐng)域的知識森林—AI Knowledge Forest，通過匯總各位參與者貢獻的領(lǐng)域知識，沉淀線下分享的前沿精華，使AI Knowledge Tree枝繁葉茂，為人工智能社區(qū)做出貢獻，歡迎大家關(guān)注SFFAI論壇：https://bbs.sffai.com。?