point-cloud

Notizen zum Lesen von Fachliteratur über Deep Learning und Machine Learning

Xtreme1 ist eine All-in-One-Datenkennzeichnungs- und Annotationsplattform für multimodales Datentraining und unterstützt 3D-LiDAR-Punktwolken, Bilder und LLMs.

⚡️Das räumliche Wahrnehmungsframework zum schnellen Erstellen von intelligenten Robotern und Räumen

Point-NeRF: Punktbasierte neuronale Strahlungsfelder

Eine schlanke C++-Bibliothek zur Verarbeitung von Punktwolken-Daten.

Robotik mit GPU-Computing

Patchwork++: Schnelle und robuste Boden-Segmentierungsmethode für 3D-LiDAR-Scans. @ IROS'22

[ECCV 2024 Best Paper Candidate & TPAMI 2025] PointLLM: Befähigung großer Sprachmodelle zum Verständnis von Punktwolken

Offizielle PyTorch-Implementierung von Superpoint Transformer [ICCV'23], SuperCluster [3DV'24 Oral] und EZ-SP [ICRA'26]

K3D ermöglicht das Erstellen von 3D-Plots basierend auf WebGL mit einer High-Level-API (Oberflächen, Isothermen, Voxel, Meshes, Punktwolken, VTK-Objekte, Volumen-Renderer, Colormaps usw.). Das Hauptziel von K3D-jupyter ist die einfache Nutzung als eigenständiges Paket wie matplotlib sowie die Interoperabilität mit bestehenden Bibliotheken wie VTK.

Baseline-Modell für „GraspNet-1Billion: A Large-Scale Benchmark for General Object Grasping“ (CVPR 2020)

[CVPR 2023 Highlight] Neuronale Kernel-Oberflächenrekonstruktion

Python-Paket zur Punktwolkenregistrierung mithilfe probabilistischer Modelle (Coherent Point Drift, GMMReg, SVR, GMMTree, FilterReg, Bayesian CPD)

Interaktive Kartenkorrektur für 3D-Graph-SLAM

3D BIM IFC Viewer SDK für AEC-Anwendungen. Open-Source-JavaScript-Toolkit basierend auf purem WebGL für höchste Leistung, reale Koordinaten und volle doppelte Genauigkeit

3DMatch - ein 3D-ConvNet-basierter lokaler geometrischer Deskriptor zum Ausrichten von 3D-Meshes und Punktwolken.

Multithreaded und SSE-freundlicher NDT-Algorithmus

3D-Bounding-Box-Annotierungstool (3D-BAT) für Punktwolken- und Bildmarkierung.

Mesh-Verarbeitungsbibliothek

KITTI-Datensatz ganz einfach in eine ROS-Bag-Datei konvertieren!

[TMLR 2025🔥] Eine Übersicht über autoregressive Modelle in der Vision.

3DGS-to-PC: 3D Gaussian Splatting zu dichten Punktwolken [3D-VAST: ICCVW 2025]

[ICCV 2025] Offizieller Code von DeepMesh: Auto-Regressive Artist-mesh Creation with Reinforcement Learning

Verarbeitung und Visualisierung von Airborne-LiDAR-Daten für forstwirtschaftliche Anwendungen

Papers, Code und Datensätze zum Thema Deep Learning für die 3D-Objekterkennung.

Python-Bibliothek zum Anpassen von 3D-Grundformen an Punktwolken mit RANSAC. Erkennt Ebenen, Kugeln, Zylinder, Quader, Kreise und Linien.

Ein auf PaddlePaddle basierendes Entwicklungs-Toolkit für 3D-Computer Vision. Es unterstützt Punktwolken-Objekterkennung, Segmentierung und monokulare 3D-Objekterkennungsmodelle.

[ECCV2022] Masked Autoencoders für das selbstüberwachte Lernen von Punktwolken

3D-Punktwolken-Objekterkennung und semantische Segmentierung (Deep Learning) – SOTA-Methoden, Code, Paper, Datensätze und mehr

Eine elegante Python-Schnittstelle für die Visualisierung auf der Webplattform zur interaktiven Generierung von Erkenntnissen über mehrdimensionale Bilder, Punktmengen und Geometrie.