学习在2D图像空间中分割3D点云 概述 与通过定制卷积算子捕获3D点云中的局部模式的文献相反,本文研究了如何有效地将此类点云投影到2D图像空间中的问题,从而使传统2D卷积神经网络(CNN) )(例如U-Net)可用于细分。 为此,我们受到图绘制的激励,并将其重新构造为整数编程问题,以学习每个单个点云的拓扑保留图到网格映射。 为了在实践中加快计算速度,我们进一步提出了一种新颖的分层近似算法。 借助Delaunay三角剖分从点云构建图以及使用多尺度U-Net进行分割,我们设法分别在ShapeNet和PartNet上展示了最新的性能,与文献相比有了很大的改进。 注意 非常遗憾,提交后我们丢失了CVPR 2020代码。 该存储库是转载的作品,我们发布了一个预训练的网络模型,其实例平均数为88.0%,类平均数为86.5%。 更新的ArXiv预印本可。 Conda环境设置 conda create -