CN114758152A - 一种基于注意力机制和邻域一致性的特征匹配方法 - Google Patents

一种基于注意力机制和邻域一致性的特征匹配方法 Download PDF

Info

Publication number
CN114758152A
CN114758152A CN202210438479.1A CN202210438479A CN114758152A CN 114758152 A CN114758152 A CN 114758152A CN 202210438479 A CN202210438479 A CN 202210438479A CN 114758152 A CN114758152 A CN 114758152A
Authority
CN
China
Prior art keywords
attention
network
descriptors
information
consistency
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210438479.1A
Other languages
English (en)
Inventor
杜松林
芦晓勇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Institute Of Southeast University
Southeast University
Original Assignee
Shenzhen Institute Of Southeast University
Southeast University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Institute Of Southeast University, Southeast University filed Critical Shenzhen Institute Of Southeast University
Priority to CN202210438479.1A priority Critical patent/CN114758152A/zh
Publication of CN114758152A publication Critical patent/CN114758152A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种基于注意力机制和邻域一致性的特征匹配方法，包括：使用卷积神经网络提取图片关键点及其描述子；关键点位置编码，将位置信息融入描述子；使用自注意力网络和交叉注意力网络加强描述子表征能力并寻找两图片描述子之间的对应关系；根据注意力权重利用k近邻算法构建图，使用图神经网络评估节点的邻域一致性，将一致性信息融入注意力聚合中；依据增强后的描述子，使用Sinkhorn算法与互近邻筛选计算匹配结果。本发明提出了将邻域一致性融入注意力机制的方法，在注意力机制聚合全局上下文信息的同时，动态评估注意力聚合过程中的邻域一致性，将此局部信息与全局信息结合，共同增强描述子的表征能力，从而获得更高质量的匹配。

Description

一种基于注意力机制和邻域一致性的特征匹配方法
技术领域
本发明涉及一种基于注意力机制和邻域一致性的特征匹配方法及装置技术，属于基于深度学习的计算机视觉技术领域。
背景技术
特征匹配指从两幅图像的点和特征中找到正确的对应关系，是许多3D计算机视觉任务的关键环节，例如运动恢复结构(structure from motion)、同时定位和地图创建(simultaneous localization and mapping)。获得正确的匹配可以为这些上游任务打下良好的基础，但是遮挡、模糊、类似的重复纹理、照明和透视变化会使它极具挑战性。因此，如何找到隐藏在描述符中的信息，如上下文信息和邻域一致性信息，以消除干扰是特征匹配中最重要的过程之一。
经典的特征匹配流程一般由4部分组成：(1)关键点检测(2)特征描述(3)特征匹配(4)几何变换估计。在深度学习方法兴起之前，有很基于多手工设计的检测和描述方法，它们具有良好的性能并广泛用于3D计算机视觉任务。而特征匹配和几何变换估计的基本方法是最近邻搜索和随机抽样一致算法。
随着深度学习的快速发展，基于深度学习的关键点检测和特征描述方法提高了关键点和描述子的表征能力，使得特征匹配能够在剧烈光照、视角变化等具有挑战性的条件下进行。
然而，仅仅通过最近邻搜索这一传统匹配方法仍然很难获得高质量的匹配，因为它忽略了描述符中包含的上下文信息。基于深度学习的匹配器可以有效的解决此问题，例如基于注意力网络方法可以使用自我和交叉注意力网络来聚合上下文。这是一种有效的特征匹配结构，但是在将注意力机制应用到特征匹配任务时会导致邻域一致性的缺失，因为注意力网络可以被看作一个所有节点全连接的图神经网络。这意味着源图中的相邻节点可以映射到目标图中非常不同的区域，这是违反匹配问题的邻域一致性准则的。所以本方法在应用注意力机制的同时，创新性的将邻域一致性融入到注意力聚合中。
发明内容
本发明所解决的问题是，自注意力和交叉注意力网络应用与特征匹配任务时，可以感知描述符中包含的全局信息，但它忽略了描述子间的局部信息，所以本方法使用图神经网络和节点着色评估每个节点的邻域一致性，并用多层感知机将一致性信息融入每个节点的描述子，注意力网络和一致性的结合使得本网络可以同时感知全局信息和局部信息，进一步加强描述子的表征能力，获得更好的匹配结果。
为实现上述目的，本发明采取以下技术方案：一种基于注意力机制和邻域一致性的特征匹配方法，其包括：
步骤1、读取图像灰度图，使用深度卷积神经网络提取图片关键点p及其描述子d；
步骤2、以步骤1获得的关键点p和描述子d为输入，设第i个关键点的位置和和描述子分别为pi和di，本方法使用多层感知机MLPpc将关键点的空间位置信息嵌入到描述子中，即：
Figure BDA0003613948060000021
步骤3、将步骤2获得的描述子在自注意力网络和交叉注意力网络中交替作用9次，自注意力网络作用为加强描述子表征能力，交叉注意力网络作用为寻找两图片的描述子之间的对应关系，两者均对图像的全局信息进行传递。设第l层的输入为xt (l)和xs (l)，自注意力层和交叉注意力层均使用多头注意力结构，两者不同之处在于前者的输入为相同的描述子，而后者的输入为来自不同图像的描述子。首先对输入描述子进行LayerNormalization操作，然后用线性层将xt (l)线性投影到K(l)，V(l)，将x(l)线性投影到Q(l)。多头注意力表示为:
Attention(Q(l)，K(l)，V(l))＝Softmax(Q(l)(K(l))T)V(l)
Figure BDA0003613948060000022
Figure BDA0003613948060000023
Figure BDA0003613948060000024
其中Q、K、V被按照通道数划分为h个头Qi、Ki、Vi(i＝0,...,h)分别计算注意力，再使用线性层将h个头进行合并，然后输入前馈网络生成下一步骤的输入。
步骤3中的自注意力层额外融合了邻域一致性的信息，现说明邻域一致性的计算以及如何将其融入到注意力聚合中。首先使用k近邻算法根据注意力权重将两张图片的描述子构建为两个图，名为源图Gs和目标图Gt，每个节点与8个最相似的节点建立边，构成其“邻域”，在两个图中形成的边表示为Es (l)和Et (l)。在构建的两图中，生成随机节点着色矩阵R作为源图着色矩阵，用两描述子内积计算得到目前关键点的对应矩阵
Figure BDA0003613948060000025
然后
Figure BDA0003613948060000026
和R内积计算变换后的着色矩阵T，即目标图的着色矩阵。为了评估每个节点的邻域一致性，通过共享图神经网络在两个图上执行信息传递，生成新的节点着色表示，即
Figure BDA0003613948060000027
Figure BDA0003613948060000028
邻域一致性可以通过两图的新节点着色
Figure BDA0003613948060000029
间的差异来衡量，然后用多层感知机作为一致性信息的前馈网络：
Figure BDA00036139480600000210
最后，用线性层融合注意力信息与邻域一致性信息，再用残差连接更新描述子。
Figure BDA0003613948060000031
Figure BDA0003613948060000032
步骤5、在进行9层注意聚合后，在匹配层两图片描述子内积计算得出最终对应矩阵S，作为最优运输问题的成本矩阵。然后应用Sinkhorn算法迭代获得最优分配矩阵P。基于最优分配矩阵P，首先排除值小于匹配阈值的匹配，然后使用互最近邻准则选择最终匹配M；
步骤6、搭建PyTorch深度学习开发环境，将数据集划分为训练集、验证集和测试集。训练期间，根据单应性矩阵(单应性估计任务)或相机位置和深度(相机位姿估计任务)计算真实匹配Mgt。损失函数为最优分配矩阵上的负对数似然损失函数，即
Figure BDA0003613948060000033
注意力网络和邻域一致性网络共同由此损失函数监督训练。
有益效果：
本发明是一种基于注意力机制和邻域一致性的特征匹配方法，具有以下有益效果：
1、本方法用深度卷积网络提取稀疏的关键点和描述子，而非提取密集的特征图，有效地改善了注意力机制的平方空间和时间复杂度的缺点。
2、本方法使用深度注意力网络加强描述子，不同于深度卷积网络，此网络具有全局感受野，可以聚合来自所有节点的信息，使得描述子能够充分感知全局上下文信息，从而提高描述子之间的匹配质量；
3、本方法考虑到由于注意力模块具有排列不变性，无法在空间上区分每个节点，因此有必要将位置信息嵌入到描述符中，使用了多层感知机实现关键点的空间位置信息嵌入生成特征的初始表示；
4、本方法改善了基于注意力模型的缺乏局部信息的缺点，引入了匹配问题中的重要准则匹配领域一致性准则，设计了评估邻域一致性的图神经网络将局部信息融入全局信息。
综上，基于注意力机制和邻域一致性的特征匹配方法改进了基于注意力机制的特性匹配算法，得到了更稳定更准确的特征匹配模型，在图像配准、三维重建、视觉定位等领域有着广泛的应用前景。
附图说明
图1是本发明的整体流程图；
图2是常规注意力聚合和融入邻域一致性的注意力聚合流程图对比；
图3是本发明方法中邻域一致性网络的流程图。
具体实施方式
下面结合附图，对本发明提出的一种基于注意力机制和邻域一致性的特征匹配方法进行详细说明：
步骤1、输入单张图片，对输入图片进行随机单应变换并生成单应性矩阵，得到输入网络的原图和变换图两张图片，以及用于监督网络训练的groundtruth单应性矩阵。使用SuperPoint深度卷积网络对两张图片提取关键点和描述子，得到基于注意力机制和邻域一致性模型的输入关键点坐标p和256维描述子d，假设图像A和B各有M和N个关键点，则两图像关键点p的维度分别为(M,2)、(N,2),描述子d的维度分别为(M,256)、(N,256)。
实验数据集为R1M，R1M是包含1,001,001个高分辨率图片的图像检索数据集，它涵盖了全球各地超过20个地标的图片，具有复杂的视角变化、光照变化、模糊和遮挡等，非常适合用于训练和评估特征匹配网络。将R1M划分为训练集、验证集和测试集，分别包含1000000、501、500张图片。
步骤2、如图1，以步骤1获得的关键点p和描述子d为输入，使用多层感知机将关键点的空间位置信息嵌入到描述子中，其中多层感知机有三层隐藏层，将关键点维度从2依次扩展为32、64、128，最后输出256维的位置编码向量，与描述子相加实现位置信息的融入，生成特征的初始表示xi (0)。
步骤3、将步骤2获得的特征初始表示xi (0)在自注意力网络和交叉注意力网络中交替作用9次，自注意力网络加强描述子表征能力，交叉注意力网络寻找两图片的描述子之间的对应关系，两者均对图像的全局信息进行传递。设第l层注意力网络的输入为xs (l)和xt (l)，自注意力网络的输入为同一图片的描述子，即xs (l)＝xt (l)，交叉注意力的输入为两张图片的描述子。使用三个线性层分别将xt (l)投影到K(l)、V(l)，将xs (l)投影到Q(l)，特征维度依然为256维。本方法中的注意力网络均使用多头注意力机制，将Q、K、V分为4个头，每个头的维度为64维，在每个头中分别计算注意力。
为了在自注意力网络中融入邻域一致性信息，首先根据注意力权重使用k近邻算法构建图，每个节点和8个最相似的节点建立边，构成其“邻域”。在构建的两图中，为其中一图生成随机节点着色矩阵R作为源图着色矩阵，每个节点随机着色向量为64维，得到随机着色矩阵的维度为(M,64)。如图2，用两描述子内积计算得到目前关键点的对应矩阵
Figure BDA0003613948060000041
其维度为(M,N)。然后
Figure BDA0003613948060000042
和R内积计算变换后的着色矩阵T，即目标图的着色矩阵,其维度为(N,64)。通过共享图神经网络在两个图上执行信息传递，生成新的节点着色表示，本方法使用图神经网络库PyTorch geometric中的SplineConv网络作为信息传递的图神经网络。着色信息传递后，邻域一致性可以通过两图的新节点着色
Figure BDA0003613948060000043
间的差异来衡量，然后用多层感知机作为一致性信息的前馈网络，各层输出维度分别为64、64。如图3，将256维的注意力信息和64维的邻域一致性信息合并为320维向量，再用多层感知机融合两者，各层输出维度为320、256，最后再用残差连接将本层的更新信息与本层输入的描述子相加，更新描述子，图二展示了融入一致性的自注意力聚合和常规自注意力聚合的对比。
步骤4、利用全局信息与局部信息强化描述子后，将两图片描述子点乘获得得分矩阵S，其维度为(M,N)，将其作为最优运输问题的成本矩阵，然后应用Sinkhorn算法迭代获得最优分配矩阵P，其维度与S保持一致，本方法中Sinkhorn算法迭代次数为20次。基于P，首先过滤小于匹配阈值的匹配，最后使用互最近邻准则选择最终匹配M，本方法中匹配阈值为0.2；
步骤5、本方法利用PyTorch进行训练，并参考工程参数设置经验来设置相关参数。设置batch size为4，代表每次加载4张样本图片，设置AdamW优化参数作为基础迭代器，初始学习率设置为0.0001，warm up epoch设置为1，应用余弦学习率衰减，momentum动量因子设置为0.9，weight decay权重衰减因子设置为0.0001，训练总epoch为30。训练期间，根据groundtruth单应性矩阵和关键点计算真实匹配Mgt，真实匹配的判定条件为重投影误差小于3像素。损失函数为最优分配矩阵上的负对数似然损失函数，注意力网络和邻域一致性网络由此损失函数共同监督。
以上内容仅仅说明了本发明的技术思想，不能以此限定本发明的保护范围，凡是在此技术方案基础上所做的任何改动，都属于本发明提出的技术思想，均落入本发明权利要求书的保护范围之内。

Claims (7)

1.一种基于注意力机制和邻域一致性的特征匹配方法，其特征在于，具体包括以下步骤：
步骤1、读取图像灰度图，使用深度卷积神经网络提取图像的关键点及其描述子；
步骤2、以步骤1获得的关键点和描述子为输入，使用多层感知机将关键点的空间位置信息融入到描述子中；
步骤3、将步骤2获得的描述子在自注意力网络和交叉注意力网络中交替作用9次，自注意力网络加强描述子表征能力，交叉注意力网络寻找两图片的描述子之间的对应关系，两者均对图像的全局信息进行传递；在自注意力网络融合邻域一致性信息，根据两图片的注意力权重使用k近邻算法构建图，每个节点和8个最相似的节点建立边，构成其“邻域”；根据构建的两图使用图神经网络执行消息传递，生成新的节点着色表示，邻域一致性可以通过两图的新节点着色表示之间的差异来衡量，使用多层感知机将邻域一致性信息融入自注意力聚合中，即将局部信息融入到全局信息当中；
步骤4、利用全局信息与局部信息强化描述子后，将两图片描述子点乘得到得分矩阵，并将其作为最优运输问题的成本矩阵，然后应用Sinkhorn算法迭代获得最优分配矩阵；基于最优分配矩阵，首先过滤值小于匹配阈值的匹配，最后使用互最近邻准则选择最终匹配；
步骤5、根据输出匹配结果和真实匹配计算损失，训练注意力网络和邻域一致性网络。
2.根据权利要求1所述的基于注意力机制和邻域一致性的特征匹配方法，其特征在于，所述步骤1：
不同于常规深度注意力网络处理密集的特征图，首先用深度卷积网络提取稀疏的关键点和描述子，再应用注意力机制加强描述子，改善了注意力机制的平方空间和时间复杂度的缺点。
3.根据权利要求1所述的基于注意力机制和邻域一致性的特征匹配方法，其特征在于，所述步骤2：
由于注意力模块具有排列不变性，无法在空间上区分每个节点，因此将位置信息嵌入到描述符中，使用多层感知机实现关键点的空间位置信息嵌入生成特征的初始表示。
4.根据权利要求1所述的基于注意力机制和邻域一致性的特征匹配方法，其特征在于，所述步骤3：
使用深度注意力网络加强描述子，不同于深度卷积网络，此网络具有全局感受野，可以聚合来自所有节点的信息，此特点使得描述子能够充分感知全局上下文信息，从而提高描述子之间的匹配质量。
5.根据权利要求1所述的基于注意力机制和邻域一致性的特征匹配方法，其特征在于，所述步骤3：
深度注意力网络在传递全局信息的同时，也忽略了描述子之间的局部信息，其中包括了匹配问题中的重要准则匹配领域一致性准则；为了解决此问题，首先使用k近邻算法根据注意力权重将两张图片的描述子构建为两个图，名为源图Gs和目标图Gt，两图中每个节点只与其领域相连；生成随机节点着色矩阵R作为源图着色，用两描述子内积计算得到点的对应矩阵
Figure FDA0003613948050000021
然后
Figure FDA0003613948050000022
和R内积计算变换后的着色矩阵T，即目标图着色；为了评估每个节点的邻域一致性，通过共享图神经网络在两个图上执行消息传递，生成新的节点着色表示，邻域一致性可以通过两图的新节点着色表示之间的差异来衡量，最后用多层感知机作为一致性信息的前馈网络。
6.根据权利要求1所述的基于注意力机制和邻域一致性的特征匹配方法，其特征在于，所述步骤4：
在进行9层注意聚合后，在匹配层两图片描述子内积计算得出最终对应矩阵S，作为最优运输问题的成本矩阵；然后应用Sinkhorn算法迭代获得最优分配矩阵P；基于P，首先排除小于匹配阈值的匹配，然后使用互最近邻准则选择最终匹配M。
7.根据权利要求1所述的基于注意力机制和邻域一致性的特征匹配方法，其特征在于，所述步骤5：
训练期间，根据单应性矩阵或相机位置和深度计算真实匹配Mgt；注意力网络和邻域一致性网络由最优分配矩阵上的负对数似然损失函数共同监督训练。
CN202210438479.1A 2022-04-25 2022-04-25 一种基于注意力机制和邻域一致性的特征匹配方法 Pending CN114758152A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210438479.1A CN114758152A (zh) 2022-04-25 2022-04-25 一种基于注意力机制和邻域一致性的特征匹配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210438479.1A CN114758152A (zh) 2022-04-25 2022-04-25 一种基于注意力机制和邻域一致性的特征匹配方法

Publications (1)

Publication Number Publication Date
CN114758152A true CN114758152A (zh) 2022-07-15

Family

ID=82332283

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210438479.1A Pending CN114758152A (zh) 2022-04-25 2022-04-25 一种基于注意力机制和邻域一致性的特征匹配方法

Country Status (1)

Country Link
CN (1) CN114758152A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115546521A (zh) * 2022-11-07 2022-12-30 佳木斯大学 基于关键点响应约束的点匹配方法
CN116129228A (zh) * 2023-04-19 2023-05-16 中国科学技术大学 图像匹配模型的训练方法、图像匹配方法及其装置
CN117114657A (zh) * 2023-10-23 2023-11-24 国网江西省电力有限公司超高压分公司 基于电力设备巡检知识图谱的故障信息预警系统及方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115546521A (zh) * 2022-11-07 2022-12-30 佳木斯大学 基于关键点响应约束的点匹配方法
CN115546521B (zh) * 2022-11-07 2024-05-07 佳木斯大学 基于关键点响应约束的点匹配方法
CN116129228A (zh) * 2023-04-19 2023-05-16 中国科学技术大学 图像匹配模型的训练方法、图像匹配方法及其装置
CN117114657A (zh) * 2023-10-23 2023-11-24 国网江西省电力有限公司超高压分公司 基于电力设备巡检知识图谱的故障信息预警系统及方法

Similar Documents

Publication Publication Date Title
CN111325794B (zh) 一种基于深度卷积自编码器的视觉同时定位与地图构建方法
CN109410307B (zh) 一种场景点云语义分割方法
CN114758152A (zh) 一种基于注意力机制和邻域一致性的特征匹配方法
CN110163974B (zh) 一种基于无向图学习模型的单图像面片重建方法
CN110659727A (zh) 一种基于草图的图像生成方法
Zeng et al. Pc-nbv: A point cloud based deep network for efficient next best view planning
CN111462324B (zh) 一种在线时空语义融合方法和系统
CN108171249B (zh) 一种基于rgbd数据的局部描述子学习方法
WO2024060395A1 (zh) 一种基于深度学习的高精度点云补全方法及装置
CN110660020A (zh) 一种基于融合互信息的对抗生成网络的图像超分辨率方法
CN116188825A (zh) 一种基于并行注意力机制的高效特征匹配方法
CN113205595A (zh) 一种3d人体姿态估计模型的构建方法及其应用
CN111105439A (zh) 一种使用残差注意力机制网络的同步定位与建图方法
Shavit et al. Do we really need scene-specific pose encoders?
WO2022198684A1 (en) Methods and systems for training quantized neural radiance field
CN112686282A (zh) 一种基于自学习数据的目标检测方法
CN114937066A (zh) 基于交叉偏移特征与空间一致性的点云配准系统及方法
CN113129234A (zh) 一种场内外特征融合的残缺图像精细修复方法
CN113449612A (zh) 一种基于子流型稀疏卷积的三维目标点云识别的方法
CN115761178A (zh) 基于隐式神经表示的多视图三维重建方法
CN114663880A (zh) 基于多层级跨模态自注意力机制的三维目标检测方法
Elmoogy et al. Pose-GNN: Camera pose estimation system using graph neural networks
Zhou et al. Deeptree: Modeling trees with situated latents
Ge et al. Point2MM: Learning medial mesh from point clouds
CN110197226B (zh) 一种无监督图像翻译方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination