首页期刊导航|图学学报
期刊信息/Journal information
图学学报
图学学报

李华

双月刊

2095-302X

txb@cgn.net.cn txxb_2011@163.com

010-82317091

100191

北京海淀学院路37号中国图学学会学报编辑部

图学学报/Journal Journal of GraphicsCSCD北大核心CSTPCD
查看更多>>本刊是中国工程图学会主办的全国中文核心期刊和全国科技文统计用刊。本刊面向国内外公开发行，主要刊载图学专业有关图学理论与应用、图学教育理论、计算机图学与CAD、科学可视化、工业设计、图样标准化等有关方面的学术论文，重要研究成果和技术经验总结，国内外重要论著的评述和学术动态。
正式出版
收录年代

    DGOA:基于动态图和偏移注意力的点云上采样

    韩亚振尹梦晓马伟钊杨诗耕...
    219-229页
    查看更多>>摘要：由三维扫描设备直接得到的点云经常是稀疏、不均匀、有噪声的,因而点云上采样在点云重建、渲染等领域扮演了越来越关键的角色.为此提出了一种新的基于动态图和偏移注意力的点云上采样网络DGOA,主要包含局部特征提取(LFE)、全局特征提取(GFE)和坐标重建(CR)3 个模块.LFE采用多层结构提取邻域信息,每层基于特征相似性构建动态图,可以在特征空间自适应的将点云分组,增大感受野,获得长距离的语义信息,更好的建模点云的局部几何形状.GFE采用基于拉普拉斯算子的偏移注意力使每个点都能获得点云的全局信息,使生成点云的细节与原始点云一致,减少噪声的影响.CR借鉴FoldingNet操作,避免生成点的聚集.此外,整个网络与输入点云中点的顺序无关,具有置换不变性.在多个数据集的定量与定性实验结果表明,该方法优于其他方法,并且具有良好的泛化性和稳定性.

    点云点云上采样动态图偏移注意力深度学习

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    基于自适应聚合循环递归的稠密点云重建网络

    王江安黄乐庞大为秦林珍...
    230-239页
    查看更多>>摘要：为了解决弱纹理重建难、资源消耗大和重建时间长等问题,提出了一种基于自适应聚合循环递归卷积的多阶段稠密点云重建网络,即A2R2-MVSNet(adaptive aggregation recurrent recursive multi view stereo net).该方法首先引入一种基于多尺度循环递归残差的特征提取模块,聚合上下文语义信息,以解决弱纹理或无纹理区域特征提取难的问题.在代价体正则化部分,提出一种残差正则化模块,该模块在略微增加内存消耗的前提下,提高了 3D CNN提取和聚合上下文语意的能力.实验结果表明,提出的方法在 DTU数据集上的综合指标排名靠前,在重建细节上有着更好的体现,且在BlendedMVS数据集上生成了不错的深度图和点云结果,此外网络还在自采集的大规模高分辨率数据集上进行了泛化测试.归功于由粗到细的多阶段思想和我们提出的模块,网络在生成高准确性和完整性深度图的同时,还能进行高分辨率重建以适用于实际问题.

    深度学习计算机视觉三维重建稠密重建多视图立体递归神经网络

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    《图学学报》投稿指南

    240页
      原文链接:
    • NETL
    • NSTL
    • 万方数据