.png){kind=icon}
返回
Discrete Diffusion-Based Generative Semantic Scene Completion
.png){kind=icon}
OA
AI
DOI：10.3390/electronics14071447.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
通过AI驱动的内容生成进行语义场景补全是一个快速发展的领域，在3D重建和场景理解方面具有关键应用。该任务面临重大挑战，源于LiDAR生成输入点固有的数据稀疏性和不完整性。本文提出了一种基于离散去噪扩散概率模型的生成式语义场景补全方法，以解决这些问题。在离散扩散阶段，基于离散体素空间中的特征距离，引入了加权K近邻均匀转移核，通过捕捉数据局部结构来控制类别分布转移过程，这更符合现实世界中的扩散过程。此外，为缓解点云体素化过程中的特征信息损失，将聚合点特征整合到相应体素空间中，从而增强补全的粒度。相应地，设计了用于网络训练的组合损失函数，同时考虑了全局补全的KL散度和局部细节的交叉熵。基于多个公开户外数据集的评估结果表明，所提出的方法能够有效实现语义场景补全。
Keyword:
semantic scene completion
diffusion model
generative model
point cloud
期刊
IF:
2.6
论文数:
1.1W
被引数:
5.0W
机构
引用论文
.png){kind=icon}
KITTI-360: A Novel Dataset and Benchmarks for Urban Scene Understanding in 2D and 3DKITTI-360: 用于2D和3D城市场景理解的新型数据集和基准
OAAI
OAAI分享收藏
查看更多内容