【活动通知】SFFAI114×CRIPAC 三维点云补全专题

SFFAI 合作机构 CRIPAC 简介

智能感知与计算研究中心（www.cripac.ia.ac.cn）为中科院自动化研究所独立建制的科研部门，致力于研究泛在智能感知理论与技术以及与之相伴的海量感知数据的智能分析与处理。瞄准国际学科前沿，面向国家公共安全、智能产业发展等重大战略需求，着眼于基础理论创新与关键技术突破以及系统解决方案的研制，努力打造成为国际一流的研究中心，是集人才培养、技术创新、产业孵化为一体的创新平台。中心目前主要在多模态智能计算、生物识别与安全、生物启发的智能计算、智能感知基础理论四个方面展开科学研究。

会议内容

会议简介

由于视角、遮挡和噪声的影响，实时扫描的点云通常是不完整的。现有的点云补全方法倾向于生成全局形状骨架，因此会缺乏精细的局部细节。此外，现有方法主要学习确定性的部分到完全的映射，但忽略了人造物体中的结构关系。本期论坛我们邀请到了来自南洋理工大学的潘亮，他提出的变分关联点云补全网络成功应对了这些挑战。

讲者介绍

潘亮，南洋理工大学 S-Lab 博士后，主要研究方向为基于深度学习的 3D 点云形状重建和语义感知，目前已在机器人和计算机视觉顶会发表多篇论文。

会议题目

变分关联点云补全网络

会议摘要

在 CVPR 2021 上，南洋理工大学 S-Lab 与商汤 IRDC 团队合作提出变分关联点云补全网络 (VRCNet)。如 Fig.1(a) 所示， VRCNet 首先预测出粗略形状框架 (PMNet)，再增强关联性形状细节生成 (RENet)。对比之前方法， VRCNet 生成的完整点云有显著的质量提升 (见 Fig.1(b))。更进一步地， Fig.1(c) 中的补全结果显示， VRCNet 可以基于观测到的不同的残缺点云，结合关系性架构推测生成合理而不同的完整点云。此外，本文还建立了一个大规模多视角的残缺点云 (MVP) 数据集，可以应用于包括残缺点云分类、分割和配准等多个点云学习任务的研究。

论文标题：Variational Relational Point Completion Network

论文下载：关注本公众号，对话框回复“SFFAI114”，获取下载

会议亮点

1、我们提出了 VRCNet，一个综合且强力的变分关联性点云补全网络。VRCNet 可以通过学习关联性结构来预测高质量完整点云；

2、此外，我们还提出了多个新颖并且强力的基于自注意力的点云学习模块，如 PSA 和 PSK，它们也可以很便捷地被运用到其他的点云学习任务中；

3、特别地，我们贡献了一个大规模的点云数据集 MVP，可以应用于多个点云学习任务，比如残缺点云分类和配准。

直播时间

2021年7月18日（周日）20:00—21:00 线上直播

关注本公众号，对话框回复“SFFAI114”，获取入群二维码

注：直播地址会分享在交流群内

论文推荐

“SFFAI114期来自南洋理工大学的潘亮推荐的文章主要关注于计算机视觉的点云处理领域，你可以认真阅读讲者推荐的论文，来与讲者及同行线上交流哦。”

关注文章公众号

回复"SFFAI114"获取本主题精选论文

01

推荐理由：首先使用深度学习实现 3D 点云补全， 证明了深度学习对点云补全任务的有效性。

02

推荐理由：提出了第一个在线测试的点云补全基准数据集。

03

推荐理由：通过多个并行的点云学习路径，实现了全局点云形状生成。

04

推荐理由：通过图网络学习并保留点云局部特征，增强了补全点云的质量。

05

推荐理由：使用网格表征点云，可以更好地捕捉点云细节特征。

06

推荐理由：使用多阶层网络，并行地收集不同层次的点云特征以获得保留局部特征的完整点云。

SFFAI招募！

现代科学技术高度社会化，在科学理论与技术方法上更加趋向综合与统一，为了满足人工智能不同领域研究者相互交流、彼此启发的需求，我们发起了SFFAI这个公益活动。SFFAI每周举行一期线下活动，邀请一线科研人员分享、讨论人工智能各个领域的前沿思想和最新成果，使专注于各个细分领域的研究者开拓视野、触类旁通。

SFFAI目前主要关注机器学习、计算机视觉、自然语言处理等各个人工智能垂直领域及交叉领域的前沿进展，将对线下讨论的内容进行线上传播，使后来者少踩坑，也为讲者塑造个人影响力。SFFAI还在构建人工智能领域的知识森林—AI Knowledge Forest，通过汇总各位参与者贡献的领域知识，沉淀线下分享的前沿精华，使AI Knowledge Tree枝繁叶茂，为人工智能社区做出贡献，欢迎大家关注SFFAI论坛：https://bbs.sffai.com。

SFFAI历史活动

更多SFFAI历史活动

请点击文章底部“阅读原文”查看

分享、点赞、在看，给个三连击呗！