- 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)
文章还清楚的说明了点云的超体分割与“超体素”没有关系，超体素是二维算法简单的扩展到三维，这种方法是不能应用在三维的无序的空间中的，只能在有规则的体素中起作用。 基于几何约束超体素 点云体素连接性分割（VCCS）是一种从三维点云数据生成超像素和超体素的新方法。VCCS产生的超体素比最新的方法更符合物体边界，同时该方法实时性更好。 26个相邻体素，这是算法的初始步骤，构建体素点云的邻接图，一般是通过KD树来有效的实现，所有的26个相邻体素的中心都一定要在根号3 * Rvoxle中，其中Rvoxel是指用于分割的体素分辨率，并且在该分辨率下讲离散的元素称之为体素 一旦种子体素被选中，我们通过在特征空间中找到种子体素的中心和两个体素内的连接邻域来初始化超体素特征向量。 超体的特征和距离测度进行聚类 VCCS超体素聚类是在39个维度上进行的： ? 一般过程如下： （1）从距离点云簇中心最近的体素开始，我们向外流动到相邻的体素，并使用方程4计算每个体素到超体素中心的距离。
5.5K92发布于 2019-12-18 - 来自专栏点云PCL
PCL中点云的超体素(SuperVoxel)
文章还清楚的说明了点云的超体分割与“超体素”没有关系，超体素是二维算法简单的扩展到三维，这种方法是不能应用在三维的无序的空间中的，只能在有规则的体素中起作用。 基于几何约束超体素 点云体素连接性分割（VCCS）是一种从三维点云数据生成超像素和超体素的新方法。VCCS产生的超体素比最新的方法更符合物体边界，同时该方法实时性更好。 26个相邻体素，这是算法的初始步骤，构建体素点云的邻接图，一般是通过KD树来有效的实现，所有的26个相邻体素的中心都一定要在根号3 * Rvoxle中，其中Rvoxel是指用于分割的体素分辨率，并且在该分辨率下讲离散的元素称之为体素 一旦种子体素被选中，我们通过在特征空间中找到种子体素的中心和两个体素内的连接邻域来初始化超体素特征向量。 超体的特征和距离测度进行聚类 VCCS超体素聚类是在39个维度上进行的： ? 一般过程如下： （1）从距离点云簇中心最近的体素开始，我们向外流动到相邻的体素，并使用方程4计算每个体素到超体素中心的距离。
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
作者的方法将分子表示为3D原子密度网格，并利用3D体素去噪网络进行学习和生成。 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。 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。
48510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。
61310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。
85930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
许多近期的方法通过将 MLP 移出场景表征从而加速了新视角合成的训练速度，通过优化稀疏体素证明了 NeRF能够获得高保真图像的原因不是由于其使用了 MLP ，而是由于体渲染和基于梯度的优化模式。 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。 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。 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。 总结思考 本文主要讲了该公司所设计的一个体视频采集环境的工作流程，以及遇到的一些问题和解决方法，他们的体感视频采集主要是用做 AR/VR 环境，可以在 Unity 或 Unreal 整合入一些背景。 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 - 来自专栏媒矿工厂
时间二次采样对体素视频质量评估精度的影响
来源：PCS2021 主讲人：Ali Ak 内容整理：张雨虹 主要介绍了时间二次采样对体素视频质量评估精度的影响，从不同时间采样率、不同时间池化方法角度分别进行了实验探讨。 ，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 。
80150发布于 2021-10-12 - 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。 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。 之前我们的项目组，体素方案是使用从上往下打射线的方式来实现的，用于线下制作没问题，代码也简单一些，但是速度比起来就差很多了。 下一篇将会讲述区域划分的流程。
7K70发布于 2020-06-10 - 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 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
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。 优缺点：这种方法比用体素中心来逼近的方法更慢，但它对于采样点对应曲面的表示更为准确。 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？
基于体素的方法 基于体素的方法不是直接的方法；因为它涉及“体素”。如果您听说过“VoxelNet”或“PointPillars”等名称，那就是这个。那么什么是体素呢？ 比较两种方法 想象一下有一个点云及其体素化版本，如下所示： 点与体素 两者中哪一个提供了更多信息？ VFE（体素特征提取）、将体素堆叠在一起、运行完全卷积网络等……然后，使用 3D 卷积在使用区域提议网络生成边界框之前的中间层。 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。 基于体素的方法首先将点云转换为体素网格，然后处理这些点，这次使用 3D 卷积。体素化在混乱中创建秩序，并允许在点云上使用 3D 卷积。
1.8K10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
主要贡献 本文提出了一种新颖的在线可合并体素或者说栅格建图方法，采用3自由度平面表示，称为VoxelMap++。 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）。 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。
96520编辑于 2023-09-11 - 来自专栏字节脉搏实验室
BadUSB素板初体验
BadUSB攻击是一种利用USB固件中的固有漏洞的攻击，将一个写入了恶意代码的定制USB设备，例如U盘，插入受害者电脑，它会伪装成HID设备（Human InterfaceDevice，是计算机直接与人交互的设备，例如键盘、鼠标等）进行操作。
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
体素栅格的表征 用于体渲染的密度体素栅格 通过后激活实现的尖锐的决策边界 快速直接的体素栅格优化 粗几何搜索 精细重建 实验结果 简介 在仅有图像及对应位姿作为输入时对三维物体或场景实现自由视点合成是一个重要的任务 为了解决这一问题，本文提出了简单有效的解决方法：首先，作者在初始化时给每一个体素赋予了接近零的体密度值，同时对在少数视角下可见的体素赋予较小的学习率。 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。 体素分布 作者通过密集地查找粗糙重建阶段的体素寻找到一个紧靠着未知区域的 Bbox，按照与粗糙重建阶段相同的方式在 Bbox 内设置体素。
2.4K30编辑于 2022-11-07 - 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。 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。 一旦训练完成，表面将隐式表示 f_θ(x) 的 0 等值面，可以通过光线投射或移动立方体算法可视化。该方法的另一种优越特性是准确的表面法线可以通过网络的反向传播得到空间梯度即∂f_θ(x)/∂x。 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