当前位置 > 首页 > 新闻动态 > 科技新闻 > 正文

我校计算机学院卢莉教授课题组点云补全领域相关研究成果发表在人工智能顶会AAAI2025

来源: 综合办

 发布时间:2024-12-17

 浏览次数:30

我校计算机学院卢莉教授课题组点云补全领域相关研究成果发表在人工智能顶会AAAI2025

来源:综合办 新日期:2024-12-17 点击量:

近期,我校计算机学院(软件学院、智能科学与技术学院)卢莉教授指导本科生李子俊等,针对点云补全领域展开研究,相关成果已被AAAI 2025接收。AAAI全称为人工智能促进会(Association for the Advancement of Artificial Intelligence)是人工智能领域的主要国际学术组织,该协会主办的AAAI年会(AAAI Conference on Artificial Intelligence)是国际顶级人工智能学术会议之一,被中国计算机学会评定为A类学术会议(CCF-A)。今年,AAAI共收到12,957篇有效投稿,其中3032篇文章被接收,接收率为23.4%。AAAI 2025将于2月25日至3月4日在美国宾夕法尼亚州费城举行。

AAAI 2025选入的论文“SymmCompletion: High-Fidelity and High-Consistency Point Cloud Completion with Symmetry Guidance” 由四川大学与香港科技大学合作完成。现有方法受限于低密度的初始点云,往往会丢失局部信息,并导致重建点云和给定点云之间的几何不一致现象。该研究提出了一种基于对称先验的点云补全框架,实现了高一致性、高保真度的点云补全,并达到了当前最先进的性能水平。


文章介绍:

我们的模型先利用输入点云的特征,通过预测旋转和平移来生成粗糙点云。其次,模型使用对称引导来进一步细化点云的局部细节,生成最终完整点云。


创新点:

图示 描述已自动生成图示 描述已自动生成

1. 研究提出了局部对称映射网络(LSTNet),利用逐点预测的旋转矩阵和平移向量,共同完成粗糙点云生成,产生了高密度、高保真的初始点云。

2. 研究还提出了双路对称引导Transformer(SGFormer),分别提取对称部分的位置信息,利用对称特征引导点云的局部补全。


实验结论:

本研究评估了我们的模型在多个数据集上的性能(PCN、MVP、ShapeNet34/55)。我们的模型在所有的数据集上都达到了最先进的性能。同时,本研究提出的模型减少了参数量和计算复杂,实现了最快的推理速度。

表格 描述已自动生成


主要作者介绍:

李子俊:四川大学计算机学院(软件学院、智能科学与技术学院)计算机科学与技术系计算机科学与技术专业2020级本科生,于今年九月前往新加坡国立大学攻读硕士学位。

阎鸿禹:四川大学计算机学院(软件学院、智能科学与技术学院)图形图像所2020级计算机技术电子信息方向研究生,目前已发表CCF-A、CCF-B类AAAI、ECCV会议论文,目前正在香港科技大学攻读博士学位。

新闻动态

我校计算机学院卢莉教授课题组点云补全领域相关研究成果发表在人工智能顶会AAAI2025

来源:综合办

 发布时间:2024-12-17

我校计算机学院卢莉教授课题组点云补全领域相关研究成果发表在人工智能顶会AAAI2025

来源:综合办 新日期:2024-12-17 点击量:

近期,我校计算机学院(软件学院、智能科学与技术学院)卢莉教授指导本科生李子俊等,针对点云补全领域展开研究,相关成果已被AAAI 2025接收。AAAI全称为人工智能促进会(Association for the Advancement of Artificial Intelligence)是人工智能领域的主要国际学术组织,该协会主办的AAAI年会(AAAI Conference on Artificial Intelligence)是国际顶级人工智能学术会议之一,被中国计算机学会评定为A类学术会议(CCF-A)。今年,AAAI共收到12,957篇有效投稿,其中3032篇文章被接收,接收率为23.4%。AAAI 2025将于2月25日至3月4日在美国宾夕法尼亚州费城举行。

AAAI 2025选入的论文“SymmCompletion: High-Fidelity and High-Consistency Point Cloud Completion with Symmetry Guidance” 由四川大学与香港科技大学合作完成。现有方法受限于低密度的初始点云,往往会丢失局部信息,并导致重建点云和给定点云之间的几何不一致现象。该研究提出了一种基于对称先验的点云补全框架,实现了高一致性、高保真度的点云补全,并达到了当前最先进的性能水平。


文章介绍:

我们的模型先利用输入点云的特征,通过预测旋转和平移来生成粗糙点云。其次,模型使用对称引导来进一步细化点云的局部细节,生成最终完整点云。


创新点:

图示 描述已自动生成图示 描述已自动生成

1. 研究提出了局部对称映射网络(LSTNet),利用逐点预测的旋转矩阵和平移向量,共同完成粗糙点云生成,产生了高密度、高保真的初始点云。

2. 研究还提出了双路对称引导Transformer(SGFormer),分别提取对称部分的位置信息,利用对称特征引导点云的局部补全。


实验结论:

本研究评估了我们的模型在多个数据集上的性能(PCN、MVP、ShapeNet34/55)。我们的模型在所有的数据集上都达到了最先进的性能。同时,本研究提出的模型减少了参数量和计算复杂,实现了最快的推理速度。

表格 描述已自动生成


主要作者介绍:

李子俊:四川大学计算机学院(软件学院、智能科学与技术学院)计算机科学与技术系计算机科学与技术专业2020级本科生,于今年九月前往新加坡国立大学攻读硕士学位。

阎鸿禹:四川大学计算机学院(软件学院、智能科学与技术学院)图形图像所2020级计算机技术电子信息方向研究生,目前已发表CCF-A、CCF-B类AAAI、ECCV会议论文,目前正在香港科技大学攻读博士学位。

四川大学科学技术发展研究院官方微信公众号

Official Accounts

院长信箱:kyy@scu.edu.cn  028-85468399

地址:四川省成都市一环路南一段24号四川大学行政楼328至345

版权所有:© 2024 四川大学科学技术发展研究院