我正在寻找一种收集一组体素的方法。体素是一个3D单元，可以是完整的/空的/未知的，并且建立在点云上(用于数据减少)。体素集合一旦构建就永远不会被修改(每轮都被销毁和重建)，但需要不同类型的访问(邻域、所有迭代、直接)。体素空间非常非常稀疏，空间中1.000.000个可能的体素乱序，最多只使用1000个。所以我决定使用(自从使用c++以来无序)hashmap以体素ID作为键来收集它们(我认为八叉树是一种矫枉过正)。现在我需要一个函数以两种方式将3D点转换为体素ID，并将ID转换为体素3D点质心。我发现很难的是一种非常快速的方法，我希望将它们作为单个int值作为键，例如:unsignedi

原文链接：https://arxiv.org/abs/2308.037551.引言完全稀疏检测器在基于激光雷达的3D目标检测中有较高的效率和有效性，特别是对于长距离场景而言。但是，由于点云的稀疏性，完全稀疏检测器面临的一大困难是中心特征丢失（CFM），即因为点云往往分布在物体表面，物体的中心特征通常会缺失。FSD引入实例级表达，通过聚类获取实例，并提取实例级特征进行边界框预测，以避免使用物体中心特征。但由于实例级表达有较强的归纳偏好，其泛化性不足。例如，聚类时需要对各类预定义阈值，且难以找到最优值；在拥挤的场景中可能使得多个实例被识别为一个实体，导致漏检。本文提出FSDv2，丢弃了FSD中的实

PV-RCNN摘要引言方法3DVoxelCNNforEfficientFeatureEncodingandProposalGenerationVoxel-to-keypointSceneEncodingviaVoxelSetAbstractionKeypoint-to-gridRoIFeatureAbstractionforProposalRefinement实验结论摘要我们提出了一种新的高性能3D对象检测框架，称为PointVoxelRCNN（PV-RCNN），用于从点云中精确检测3D对象。我们提出的方法深度集成了三维体素卷积神经网络（CNN）和基于PointNet的集合抽象，以学习更具判别

简介官网 Nvidia2023提出的一种新的生成模型，可生成具有任意属性的高分辨率稀疏3D体素网格，以前馈方式生成数百万体素，最细有效分辨率高达102431024^310243，而无需耗时的test-time优化，使用一种分层体素潜扩散模型，使用建立在高效VDB数据结构上的自定义框架，以从粗到细的方式生成逐步更高的分辨率网格。XCube在100m×100m规模的大型户外场景中的有效性，体素大小小至10cm。实现流程 目标是学习一个以稀疏体素层次表示的大规模3D场景的生成模型，由L层由粗到细的体素网格组成G={G1,⋅，GL}G=\{G_1,\cdot，G_L\}G={G1​,⋅，GL​}及其相

点击下方卡片，关注“自动驾驶之心”公众号ADAS巨卷干货，即可获取点击进入→自动驾驶之心技术交流群后台回复【ECCV2022】获取ECCV2022所有自动驾驶方向论文！目前3D目标检测领域方案主要包括基于单目、双目、激光雷达点云、多模态数据融合等方式，本文主要介绍基于激光雷达雷达点云、多模态数据的相关算法，下面展开讨论下~3D检测任务介绍3D检测任务一般通过图像、点云等输入数据，预测目标相比于相机或lidar坐标系的[x，y，z]、[h，w，l]，[θ，φ，ψ]（中心坐标，box长宽高信息，相对于xyz轴的旋转角度）。3D检测相关数据集下面汇总了领域常用的3D检测数据集，共计11种：KITTI

模型：Point-GNN环境：cuda11.1python3.8tensorflow2.4.1open3d0.16.0在运行run.py的时候，因为使用的cuda、python、tensorflow等版本都太高，导致open3d的版本也很高，一些方法所在的包已经修改，所以对源码进行相应的修改，比如：pcd=open3d.PointCloud()要改为：pcd=open3d.geometry.PointCloud()修改规则可以对照：module‘open3d‘hasnoattribute‘xxx‘_sun_m_s的博客-CSDN博客在graph_gen文件的multi_layer_downsa

Real-timevoxelbased3Dsemanticmappingwithahandheld RGB-Dcamera论文整理作者：XuanZhang      整理:大头摘要    环境感知是机器人智能的重要组成部分。为了更好地理解周围的环境，机器人不仅应该了解现实世界中物体的几何形状，还应该了解它们的语义。在这项工作中，我们演示了如何手持RGB-D相机实时构建基于体素的3D语义地图。我们结合了一个最先进的工作-ORB-SLAM，一个用于语义分割的卷积神经网络-PSPNet和一个高效的基于体素的3D地图表示-Octomap来构建一个工作系统。我们提出了不同的方法来融合语义信息来构建地图，

目录1从trianglemeshes中创建体素2从点云中创建体素3体素包含测试（Inclusiontest）4Voxelcarving    在点云处理的内容中，简单介绍了open3d中对点云下采样使用了体素的操作，这里对体素化进行详细的介绍。点云和三角面片（trianglemeshes）表达的数据是无序的几何结构；而体素则是另一种表达三维数据的几何结构，体素类似于图片中的像素，具有规则性。因此，open3d中提供了VoxelGrid几何类型用于对体素的表达。1从trianglemeshes中创建体素    方法create_from_triangle_mesh可以从mesh中创建体素，任何一