- 综合排序
- 最热优先
- 最新优先
- 来自专栏点云PCL
点云的超体素(SuperVoxel)
论文是在已经校准的RGB_D相机的数据集上进行试验，并且与2D的处理速度相仿的条件下，保证了分割的高效。 深度自适应Superpixels[2]最近将这种思想扩展到使用深度图像，通过增加深度和点云的法向角的维度来扩展聚类空间。 2，迭代聚类算法在考虑聚类点时，对被占用的体素进行严格的空间连通性。这意味着超体素不能在三维空间中连接不相交的边界，即使它们在投影平面上是相连的。 如果距离是该体素所看到的最小距离，则设置其标签，并使用邻接图将其距离中心更远的邻居添加到该标签的搜索队列中。 （2）然后迭代下一个超级体素，这样从中心向外的每一层都会同时考虑所有的超级体素。 流约束聚类算法的搜索顺序 1，由于算法只考虑相邻的体素，因此超体素标签不能跨越在三维空间中实际不接触的对象边界 2，超级体素标签在三维空间中往往是连续的，因为标签从每个超级体素的中心向外流动，在空间中以相同的速率扩展
5.5K92发布于 2019-12-18 - 来自专栏点云PCL
PCL中点云的超体素(SuperVoxel)
论文是在已经校准的RGB_D相机的数据集上进行试验，并且与2D的处理速度相仿的条件下，保证了分割的高效。 深度自适应Superpixels[2]最近将这种思想扩展到使用深度图像，通过增加深度和点云的法向角的维度来扩展聚类空间。 2，迭代聚类算法在考虑聚类点时，对被占用的体素进行严格的空间连通性。这意味着超体素不能在三维空间中连接不相交的边界，即使它们在投影平面上是相连的。 如果距离是该体素所看到的最小距离，则设置其标签，并使用邻接图将其距离中心更远的邻居添加到该标签的搜索队列中。 （2）然后迭代下一个超级体素，这样从中心向外的每一层都会同时考虑所有的超级体素。 流约束聚类算法的搜索顺序 1，由于算法只考虑相邻的体素，因此超体素标签不能跨越在三维空间中实际不接触的对象边界 2，超级体素标签在三维空间中往往是连续的，因为标签从每个超级体素的中心向外流动，在空间中以相同的速率扩展
2.1K11发布于 2021-04-13 - 来自专栏DrugOne
ICML 2024 | 基于体素网格的药物设计
SBDD生成模型通常将分子表示为离散的体素网格或原子点云。基于体素的方法将原子（或电子密度）表示为连续的密度，并将分子表示为3D空间的体素网格离散化（体素是体积的离散单位）。 模型方法 为了体素化分子，作者将原子表示为3D空间中的球形密度，其密度随到原子中心的平方距离呈指数衰减。通过将原子周围的空间离散化为体素网格来创建体素化分子，每个体素的值表示原子的占据情况。 图 2 如图2所示，作者通过以下架构来构建条件体素去噪器：(i)使用单独的编码器对噪声配体和口袋进行编码，(ii)合并它们的表示，(iii)通过编码器-解码器架构预测干净样本。 模型通过最小化所有体素化配体的均方误差进行训练。 图 3 作者通过条件walk-jump采样（cWJS）从体素化的蛋白质口袋条件下采样体素化配体。图3展示了口袋条件下的行走跳跃采样链的过程。 首先，作者对一个给定的蛋白质结合口袋进行体素化。然后，作者用Langevin MCMC对噪声体素化配体（给定口袋）进行采样，并用估计器估计干净样本。最后，作者从体素网格中恢复原子坐标。
49310编辑于 2024-06-21 - 来自专栏我爱计算机视觉
开源 | SegVol 通用且可交互的医学体素分割模型
本文提出一种通用的交互式医学体素分割模型——SegVol。 在这三个病变数据集中，SegVol的Dice score超过nnU-net 19.58%，这代表在复杂体素病灶分割方面SegVol的重大进步。 总结 我们提出了SegVol：一个交互式的通用医学体素分割的基础模型。该模型是使用90k无标注数据和25个开源分割数据集训练和评估的。 与最强大的传统体素分割方法nnU-net（自动为每个数据集配置参数）不同，SegVol的目的是将各种医学体素分割任务统一到一个单一的架构中。 此外，与传统方法相比，SegVol具有最先进或接近最先进的体素分割性能，特别是对于病灶目标。尽管具有通用性和精确性，但与其他体素分割方法相比，SegVol保持了轻量级架构。
62010编辑于 2023-12-04 - 来自专栏机器之心
专访 | 体素科技：全病种医疗影像阅读者
因此，将「给定影像协议下的全病种医疗影像阅读者」作为所有产品线定位的体素科技（VoxelCloud）才显得与众不同。 体素眼科产品线负责人 Joseph 介绍说。 ? Voxel 或者说体素，来自于 volumetric pixel 的简称。它是「像素」概念的三维版本，代表了三维空间上数据的最小单位。 体素用名字告诉了我们它的选择。「既然医疗影像天生就是 3D 影像，那么我们还是选择使用 3D 模型解决 3D 问题」，丁晓伟这样解释道。 ? 除了肺癌相关数据之外，体素在其他类型肺部病种上也积累了每种约 3 千份的储备，累计收集了超过 15 万份胸部 CT 数据。
86130发布于 2018-06-08 - 来自专栏媒矿工厂
VoxGRAF：基于稀疏体素的快速三维感知图像合成
VoxGRAF：在稀疏体素上生成辐射场 本文中所提出的算法如图 2 所示。如前文所述，本文中所提出的算法没有像过去的工作一样使用了基于坐标的 MLP，而是在稀疏体素上使用三维卷积网络。 前景生成器 本文中的前景生成器使用了常见的 StyleGan2 架构，在相机位姿 \epsilon\in R^P 和 latent code z 的输入下，映射得到一个稀疏体素格的颜色值 c 在具体的实现方面，为了得到的结果是三维体素而不是二维像素，作者将 StyleGAN2 生成器中的二维操作扩展为等价的三维操作。 当体素的分辨率超过 32^3 时，使用稀疏卷积而不是密集卷积以提高计算效率，而在小于该分辨率时直接使用密集卷积。为了将体素表征稀疏化，作者使用了如图 3 所示的渐进的生长和剪枝策略。 在此基础上，第二层卷积则只需要再可见的体素上进行操作，从而生成了一组稀疏的体素表征。最终，算法可以舍弃掉所有被遮挡的或具有低密度值的体素。
1.5K30编辑于 2022-11-07 - 来自专栏媒矿工厂
多视角、体素、XR等新型视频服务技术(IBC2019)
本文是来自 IBC 2019 五篇技术文章的阅读总结，涉及多视角、体素和VR/AR等新型视频技术，翻译整理：郭帅。 2. 实际上各种类型的 2D 内容都可以被融入虚拟电视领域，如前面 By AR/VR 样例 2 所说的。 相关插件可以用 Unity 和 Unreal 处理 MP4 文件、编码基本流、实时提取体数据渲染来获得。主要优势是高压缩比特流可以直接从硬盘或网络中庸 HTTP 自适应流流动进出。 一种有前途的代表体媒体的格式是点云，由于点云有高的空间分辨率。MPEG 证明了编码动态 3D 点云在客观和主观质量上都很好。
1.8K00发布于 2019-10-10 - 来自专栏媒矿工厂
时间二次采样对体素视频质量评估精度的影响
目录 研究背景 体素视频内容的客观质量评价 时间采样率 时间池化方法 VSense-VVDB2 数据集 时间次采样率的影响 时间池化方法的影响 时间次采样率和池化方法的综合影响 结论 1研究背景 在过去的时间里 ，体素视频内容吸引了越来越多的研究兴趣，因为它促进了动态现实世界内容在虚拟环境中的集成。 点云是表示体素视频内容的最常见替代方法之一。然而，与标准 2D 视频相比，这种表示需要大量的数据存储，并且对压缩算法造成更大的压力。 体素视频 2体素视频内容的客观质量评价 体素视频内容的客观质量评价可以分为如下三种： 在本文实验中考虑了 13 种基于点的， 6 种基于颜色的以及 11 种基于图像的客观评价矩阵。 体素视频包含多个帧，因此需要逐帧对其客观质量进行评价，每一帧的客观评价经过一个池化函数，得到体素视频客观质量的最终评价。 3时间采样率 在本实验中，原始视频的帧率是 30 fps 。
80350发布于 2021-10-12 - 来自专栏点云PCL
快速精确的体素GICP三维点云配准算法
该方法扩展了广义迭代最近点（GICP）方法的体素化，避免了代价昂贵的最近邻搜索，同时保持了算法的精度。与从点位置计算体素分布的正态分布变换（NDT）不同，我们通过聚集体素中每个点的分布来估计体素分布。 为了快速配准，无损检测采用点体素分布对应模型。然而，我们需要至少四个点（在实践中超过十个）来计算三维协方差矩阵。如果体素中的点数较少，协方差矩阵将失效。 而VGICP利用体素对应中的单个到多个分布来处理只有几个点落在一个体素内的情况。因为它从点分布计算体素分布，所以即使体素只包含一个点，它也会生成一个适当的协方差矩阵。 VGICP算法在广泛的体素分辨率范围内显示出一致的结果，这得益于所提出的体素化方法，即使在体素中的点数很少时也能产生有效的分布。 ● 总结 在本研究中，提出了体素化GICP演算法。所提出的VGICP与GICP一样精确，因为它采用了基于体素的关联方法。
3.5K30发布于 2020-12-17 - 来自专栏机器之心
体素科技：2018年，算法驱动下的医学影像分析进展
机器之心原创 作者：体素科技、邱陆陆 自 2012 年 AlexNet 挑战 ImageNet 获得巨大成功以来，用于图像领域的深度学习算法以令人目不暇接的速度飞速演化着。 2018 年，在医疗影像这个分支中，来自加州的人工智能医疗公司体素科技，结合自身产品线的开发路径，发表了多篇论文，论文探讨了如何利用深度学习算法临床决策支持：例如用端到端算法处理影像中分割问题、 配准问题 图：PDV-net 与 2D U-net 和 3D dense V-net 在 LIDC 和 LTRC 数据集上的分割结果 Dice score 比较。 ARN 的输出是描述 3D 仿射变换的 12 个参数，DRN 的输出是描述每个体素位移的形变向量场。 根据皮肤病判别的特殊性，体素科技提出了多任务联合检测网络（Multi-task Joint Detection Network）来进行皮肤病的学习。 ? 图：皮肤病多任务联合检测网络结构示意图。
1.1K40发布于 2018-12-28 - 来自专栏阿苏勒的精神小屋
源码分析UE4的导航系统(1)：场景体素化
Recast采用了体素化的方式，来生成导航网格。大致分为三个步骤： 将场景体素化。形成一个多层的体素模型。 将不同层的体素模型划分为可重叠的2D区域。 不同层的2D区域不同 沿着边界区域剥离出导航凸多边形。 本文将介绍第一部分，将场景体素化，以及后续的可行走层的过滤。 体素概念介绍 所有图片来自于CritterAI Documentation。 体素的概念和像素类似，将三维空间分成一个个的小格子，如下图所示： [image] 然后是一个概念span：代表某一方向上连续的格子。 [image] 体素化的目的，就是为了将整个场景转换为一个个格子内的体素，并标记每个span的可行走状态。以方便后续做区域划分和寻路。 因为这是三角形的边，所以只要经过的格子都是体素，都需要记录Hits unsigned char edgeBits = (edge << 4) | (othervert << 2) | basevert
7K70发布于 2020-06-10 - 来自专栏UDM Lab
一个异常强大的体素编辑三维引擎（种草篇）
什么是体素？ 在了解体素之前，我们来回顾一下像素，一张图片是由一个个像素点排列组合而成，通常的一张彩色照片，一个像素点包含是一个R G B 三种颜色通道的数值，那么体素就可以理解成一个三维像素，可以想象成一个非常小的块 体素这个概念实际上在很多的三维软件确实是有，但是并没有很明确的提出，因为通过对体素直接控制这种自下而上的建模方式，并不符合人们对建模对象常规的自上而下的想象方式，而且这种方式，需要对大量的体素精确的操作 因此，目前CAD软件并不能允许你对体素进行直接编辑（不过有些情况可以自己开发），而 Monolith则是专门一个基于体素出发的建模引擎，可以通过编辑生成复杂的形体，生成用于混合材料打印的模型，拓扑优化等等一些操作 由于Monolith的基于多种材料的3D打印的想法，所以在Monolith中，每个体素都有两个值，一个用来确定实体和空间的边界，一个用来确定两种材料的混合比。 ?
1.6K10发布于 2020-04-20 - 来自专栏3D视觉从入门到精通
PCL从0到1|点云滤波之直通滤波与体素法滤波
2、如果使用高分辨率相机等设备对点云进行采集，则点云往往较为密集。过多的点云数据对后续的分割工作带来困难。体素法滤波可以达到下采样的同时不破坏点云本身几何结构的功能。 体素法滤波 体素法滤波，即减少点的数量，减少点云数据，并同时保持点云的形状特征，在提高配准、曲面重建、形状识别等算法速度中非常实用。 PCL实现的VoxelGrid类通过输入的点云数据创建一个三维体素栅格(可把体素栅格想象为微小的空间三维立方体的集合)，然后在每个体素（即三维立方体）内，用体素中所有点的重心来近似显示体素中其他点，这样该体素内所有点就用一个重心点最终表示 ，对于所有体素处理后得到过滤后的点云。 将点云结果放在CloudCampare中对比显示如图2. ? ? 对于测试数据与代码已经放在百度云网盘，在微信公众号「3D视觉工坊」后台回复「体素法滤波」，即可获得下载链接。
3.2K10发布于 2020-12-11 - 来自专栏CNNer
【SLAM】视觉SLAM基本功能的一种通用方法——体素图
我们提出了一种体素图表示，以有效地检索地图点的视觉SLAM。特别是在一个规则的体素网格中组织地图点。 通过对摄像机截锥体进行射线投射采样，可以在恒定时间内利用有效的体素哈希方法对摄像机姿态中的可见点进行查询。与关键帧相比，该方法能有效地找回被遮挡点的几何分布，并能在一定范围内对遮挡点进行识别和去除。 本文提出的体素图表示是视觉SLAM基本功能的一种通用方法，应用广泛。 主要框架及实验结果 ? ? ? ? ? ? ? ?
1.3K30发布于 2020-11-03 - 来自专栏点云PCL
3D 深度学习中基于体素和基于点云的方法哪种更优？
当我们回到 2D 卷积不适用于点云的想法，我们看到点云本质上是非结构化的，每一帧的点数量都会变化，等等......但是有一种方法可以解决这个问题，除了发明PointNet......体素化。 打个比方，体素就是 3D 图像。当我们有点云时，我们的 3D 形状无法与 2D 卷积一起使用；但是当将此点云转换为一组“体素”时，我们可以使用 3D 卷积，而不是 2D 卷积。 示例#2：VoxelNet 第二个示例更容易理解，但它是“支柱”之一，非常好地展示了基于体素的方法中发生的一切： VoxelNet 正如你所看到的，它从一个特征学习网络开始，它不仅仅涉及“体素化”，还涉及 基于点和体素的方法是使用 3D 深度学习处理点云的 2 种“主要”方法，至少还有 3 种： 基于点体素的方法（混合）：这利用了两个世界中更好的方法，并且可以变得非常复杂。 鸟瞰图方法：如果您不想转换为体素，也可以转换为鸟瞰图。这有点像“作弊”，但鸟瞰图允许您删除一维并在 2D 中工作。这就是“Point Pillar”算法正在做的事情。
1.9K10编辑于 2024-11-25 - 来自专栏点云PCL
VoxelMap++：在线LiDAR惯性里程计实现可合并的体素建图方法
我们提出了一种新颖的在线体素合并方法，采用并查集。 ，在状态估计后，新扫描中的每个点都将投影到相应的体素中，然后构建或更新由哈希表组织的体素地图（键是体素ID，值是平面拟合结果P）。 实验数据包括开源数据集M2DGR和我们自己收集的具有挑战性的退化或非结构化数据集，传感器平台如图4所示。 建图效果如下 总结 本文提出了一种可合并的用于在线LiDAR惯性里程计的体素建图方法，与其他方法相比，这种方法保持了具有3自由度表示和相应协方差的平面特征，从而有效提高了计算速度并节省了内存使用，为了提高平面拟合的精度充分利用了体素之间的关系 ，并在平面拟合收敛后基于并查集合并了共面体素。
97920编辑于 2023-09-11 - 来自专栏媒矿工厂
在体素网格上进行直接优化以实现辐射场重建的超快速收敛
本文的整体算法流程如图 2 所示。 图2 算法的整体流程示意图 体素栅格的表征 体素栅格的表征方式是在每一个体素单元内对感兴趣的性质进行显式的建模。 用于体渲染的密度体素栅格 体素栅格的体密度值是一种 C=1 的特殊情况，存储了用于体渲染的体密度值。 先验设置 2：与视角相关的学习率 在划定的体素中，可能有一些体素仅能在很少的真实世界捕捉的训练视角下观察到，而作者认为物体的表面应该在许多视角中都具有一致性，而不是仅仅只能在较少的视角下解释。 设定 checkpoint 每步的集合为 pg_ckpt，则体素的初始数目为 \lfloor M^{(f)}/2^{|pg_ckpt|}\rfloor 。
2.4K30编辑于 2022-11-07 - 来自专栏字节脉搏实验室
BadUSB素板初体验
2.写入代码到badusb ? ? 写入成功后，插上badusb，就会自动使用“运行”执行以上powershell命令。 ? 过UAC防护 模拟键盘按下左方向键和回车即可，代码如下 ?
1.2K50发布于 2021-01-06 - 来自专栏计算机视觉工坊
PV-RAFT：用于点云场景流估计的点体素相关场（CVPR2021）
2）通过以多尺度方式对点云进行体素化，作者构建了金字塔相关体素来模拟大尺度上的对应关系。然后利用PV-RAFT融合处理这两种类型的相关性。 但考虑到点云的不规则性，在3D空间构建结构化的all-pairs相关场仍然十分困难，为了解决这些问题，作者提出了点体素相关性场，以多尺度方式对目标点云进行体素化以构建金字塔相关体素，这些场融合了基于点和基于体素的相关性的优点 体素分支：为了解决上述问题，作者又提出了一个体素分支来捕获远程的全局相关特征。作者没有直接对Q进行体素化，而是构建以Q为中心的体素相邻立方体，并检测P2中的哪些点位于这些立方体中。 作者依次将基于点的相关性、基于体素的相关性和细化模块应用于所提框架。 作者最后还对点体素相关场进行了可视化。第一行，绿点代表平移的点云P1+f，而红点代表目标点云P2。 粉色立方体是平移后的点云中的一个点，它在P2中的对应关系是黄色立方体。体素分支的相关场在第二行和第三行。
1.4K70发布于 2021-08-24 - 来自专栏机器之心
3D重建总是扭曲、空洞、体素化？来看看这个连续场模型吧
选自arXiv 作者：Jeong Joon Park等 机器之心编译 机器之心编辑部 扭曲、空洞、体素化仍然是很多 3D重建模型的通病，导致视觉效果很不友好。 该研究提出的连续表征可以被直观地理解为学得的形状分类器，其决策边界是形状本身的表面，如图 2 所示。 的 2D 交叉区域；(c) 从 SDF=0 恢复的渲染后的 3D 表面。 虽然经典的 SDF 能够以解析或离散体素的形式表示单个形状的表面，但 DeepSDF 可以表示形状的完整类别。 AtlasNet-Sphere 只能描述拓扑球体，体素/八叉树类方法（也就是 OGN）只能提供 8 个方向法线，AtlasNet 不能提供定向法线。
1.8K11发布于 2019-04-30
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号