三维点云

GaussianAnything—— 交互式点云潜在扩散的3D生成Interactive Point Cloud Latent Diffusion for 3D Generation

DiffusionGS: 将3D高斯溅射嵌入扩散模型的单阶段图像到三维生成Baking Gaussian Splatting into Diffusion Denoiser for Fast and Scalable Single-stage Image-to-3D Generation

PointRCNN 精解：从原始点云到三维框的两阶段检测如果说 PointPillars 是工程导向的极致简化，那么 PointRCNN 就是另一个方向的探索：在不做任何体素化、鸟瞰图投影或 2D 图像辅助的前提下，能不能直接从原始点云做出高质量的 3D 目标检测？

PointNet 与 PointNet++ 详解PointNet 发表于 CVPR 2017，PointNet++ 发表于 NIPS 2017，两者都来自斯坦福大学。前者提出了用一个对称函数（Max Pooling）来处理天然无序的点集，实现了端到端的点云学习。后者针对 PointNet 无法感知局部结构的缺陷，引入了层级化的特征提取，使网络能够像 CNN 处理图像那样，从局部到全局逐步提炼语义。

点云登山者

登山第二十四梯：无序点云平面快速分割——变种PCA文章目录一摘要二资源三内容平面检测是许多应用的关键组件，例如工业逆向工程和自动驾驶汽车。然而，现有的平面检测技术对噪声和用户定义的参数很敏感。作者引入了一种快速确定性技术，用于在无组织的点云中进行平面检测，该技术对噪声具有鲁棒性，并且几乎独立于参数调整。它基于从稳健统计数据中提取的新型平面度检验以及拆分和合并策略。其参数值会自动调整以适应输入数据集中样本的局部分布，从而有助于对较小的平面区域进行良好的重建。我们在几个真实数据集上展示了我们的解决方案的有效性，将其性能与最先进的平面检测技术进行了比较，

点云登山者

1.1 点云数据获取方式——引言图1-1-1点云建筑场景图点云数据是指能够描述外部场景、对象表面的三维空间位置，并具有相关属性的点集，其每个离散点通常包括三维空间位置（x,y,z）以及强度、颜色等属性信息。大量分布的离散点集能够清晰而直接地描绘场景、对象的3D形状，通过不同属性进行点云赋色渲染从而提升其3D可视化效果。如下列图集所示：

使用Azure Kinect获取彩色三维点云，对彩色二维图像进行目标检测，依据得到的box区域，再找出对应的点云信息合成彩色点云数据步骤： 1、深度图像2D数据转为深度传感器下的3D点云数据 2、获得彩色传感器下的3D点云数据并投影到彩色图像 3、保存对应点的xyz坐标和rgb属性 4、遍历深度图像所有点，并排除数据异常点后得到的点集即为彩色点云数据

我是有底线的