Velox：学习4D几何和外观的表示

Velox：学习4D几何和外观的表示作者Anagh Malik、Dorian Chan、Xiaoming Zhao、David B. Lindell ²、Oncel Tuzel、Jen-Hao Rick Chang内容类型论文发表于2026年5月Velox：

学习4D几何和外观的表示作者Anagh Malik、

Dorian Chan、Xiaoming Zhao、David B. Lindell ²、Oncel Tuzel、Jen-Hao Rick Chang我们引入了一个用于学习4D对象的潜在表示的框架，该框架是描述性的，忠实地捕捉对象的几何形状和外观;

压缩性，有助于下游效率;并且易于访问，需要最少的输入，即e.，一个非结构化动态点云，来构建。具体来说，Velox训练编码器将时空色点云压缩为一组动态形状令牌。这些代币使用两个互补的解码器进行监督：4D表面解码器，它对捕获几何形状的时变表面分布进行建模;

高斯解码器，它将代币映射到3D高斯，帮助学习外观。为了展示我们表示的实用性，我们在三个下游任务（视频到4D生成、3D跟踪和通过图像到4D生成的布料模拟）中对其进行了评估，并观察到在所有设置中的强劲性能。

- †多伦多大学DeepPRO：对象的深度部分点云配准2021年10月8日研究领域计算机视觉、研究领域方法和边界会议ICCV我们考虑了在不知道其3D模型的情况下从看不见的现实世界刚性对象获得的部分点云的在线和实时配准问题。

点云是局部的，因为它是通过深度传感器从某个视点仅捕获对象的可见部分而获得的。

它引入了两个主要挑战：1）两个部分点云不完全重叠，2）当关键点的可见部分...VoxelNet：用于基于点云的3D目标检测的端到端学习2017年11月13日研究领域计算机视觉3D点云中物体的准确检测是许多应用（例如自主导航、家政机器人和增强/虚拟现实）的核心问题。

为了将高度稀疏的LiDART点云与区域提议网络（RPN）对接，大多数现有的工作都集中在手工制作的特征表示上，例如鸟瞰视图投影。在这项工作中，我们消除了3D手动特征工程的需要.