摘要 从范围扫描获取的点云通常稀疏，嘈杂且不均匀。 本文提出了一种称为PU-GAN 的新点云上采样网络，该网络是基于生成对抗网络（GAN）制定的，旨在从潜在空间中学习丰富的点分布并在对象表面的子块上对点进行上采样。为了实现可运行的GAN网络，我们在生成器中构造了一个自上而下再向上的扩展单元，以对带有误差反馈和自校正的点特征进行上采样，并制定了一个自注意力单元来增强特征集成。 此外，我们设计了具有

ACE: Adapting to Changing Environments for Semantic Segmentation ACE：适应变化环境下的语义分割 0.摘要1.概述2.相关工作2.1.无监督领域适应2.2.图像合成和风格化2.3.终身学习2.4.元学习 3.方法3.1.通过编码器和生成器进行样式化3.2.语义分割网络3.3.记忆单元和风格回放3.4.通过自适应元学习实现更快的

Abstract image-based domain adaptation, domain shift in videos, Two large-scale DA datasets (UCF-HMDB_full, Kinetics-Gameplay) Introduction videos can suffer from domain discrepancy along both th