論文の概要: Hypergraph Spectral Analysis and Processing in 3D Point Cloud
- arxiv url: http://arxiv.org/abs/2001.02384v1
- Date: Wed, 8 Jan 2020 05:30:16 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-13 12:46:33.714380
- Title: Hypergraph Spectral Analysis and Processing in 3D Point Cloud
- Title(参考訳): 3次元点雲におけるハイパーグラフ分析と処理
- Authors: Songyang Zhang, Shuguang Cui, and Zhi Ding
- Abstract要約: 3Dポイントクラウドは、3Dオブジェクトや周囲を特徴付ける基本的なデータ構造になっている。
3次元点雲を効率的に処理するには、基礎となる構造と外周騒音に適したモデルが常に重要である。
本稿では,高速な解析と処理が可能なハイパーグラフベースの新しいポイントクラウドモデルを提案する。
- 参考スコア(独自算出の注目度): 80.25162983501308
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Along with increasingly popular virtual reality applications, the
three-dimensional (3D) point cloud has become a fundamental data structure to
characterize 3D objects and surroundings. To process 3D point clouds
efficiently, a suitable model for the underlying structure and outlier noises
is always critical. In this work, we propose a hypergraph-based new point cloud
model that is amenable to efficient analysis and processing. We introduce
tensor-based methods to estimate hypergraph spectrum components and frequency
coefficients of point clouds in both ideal and noisy settings. We establish an
analytical connection between hypergraph frequencies and structural features.
We further evaluate the efficacy of hypergraph spectrum estimation in two
common point cloud applications of sampling and denoising for which also we
elaborate specific hypergraph filter design and spectral properties. The
empirical performance demonstrates the strength of hypergraph signal processing
as a tool in 3D point clouds and the underlying properties.
- Abstract(参考訳): 人気が高まっているバーチャルリアリティーアプリケーションとともに、三次元(3D)ポイントクラウドは3Dオブジェクトや周囲を特徴付ける基本的なデータ構造になっている。
3次元点雲を効率的に処理するには、基礎構造や異常音に適したモデルが常に不可欠である。
本研究では,効率的な解析と処理が可能なハイパーグラフベースの新しいポイントクラウドモデルを提案する。
本稿では,高信号スペクトル成分と点雲の周波数係数を理想的・雑音的に推定するテンソル法を提案する。
ハイパーグラフの周波数と構造的特徴を解析的に関連付ける。
さらに,ハイパーグラフフィルタの設計とスペクトル特性を詳述した2つのコモン・ポイント・クラウド・アプリケーションにおけるハイパーグラフスペクトル推定の有効性について検討した。
実験的な性能は3次元点雲のツールとしてのハイパーグラフ信号処理の強みと基礎特性を示している。
関連論文リスト
- PointDifformer: Robust Point Cloud Registration With Neural Diffusion and Transformer [31.02661827570958]
ポイントクラウド登録は、3Dコンピュータビジョンにおける基本的な技術であり、グラフィック、自律運転、ロボット工学の応用がある。
本稿では,グラフニューラル偏微分方程式(PDE)と熱カーネルシグネチャを利用するロバストポイントクラウド登録手法を提案する。
3Dポイントクラウドデータセットの実証実験により、我々のアプローチは、ポイントクラウド登録のための最先端のパフォーマンスを達成するだけでなく、付加的なノイズや3D形状の摂動に対してより堅牢性を示すことを示した。
論文 参考訳(メタデータ) (2024-04-22T09:50:12Z) - 3DiffTection: 3D Object Detection with Geometry-Aware Diffusion Features [70.50665869806188]
3DiffTectionは、単一の画像から3Dオブジェクトを検出する最先端の方法である。
拡散モデルを微調整し、単一の画像に条件付けされた新しいビュー合成を行う。
さらに、検出監視により、ターゲットデータ上でモデルをトレーニングする。
論文 参考訳(メタデータ) (2023-11-07T23:46:41Z) - Point Cloud Denoising and Outlier Detection with Local Geometric
Structure by Dynamic Graph CNN [0.0]
ポイントクラウドは3D空間のメディアフォーマットとして注目されている。
PointCleanNetは、ポイントクラウドのデnoisingとoutlier Detectionに有効な方法である。
動的グラフCNNに基づいて設計された2種類のグラフ畳み込み層を提案する。
論文 参考訳(メタデータ) (2023-10-11T10:50:15Z) - PointWavelet: Learning in Spectral Domain for 3D Point Cloud Analysis [82.91576069955619]
学習可能なグラフウェーブレット変換を用いてスペクトル領域の局所グラフを探索する新しい手法であるPointWaveletを導入する。
具体的には、まずグラフウェーブレット変換を導入し、マルチスケールのスペクトルグラフ畳み込みを行い、効率的な局所構造表現を学習する。
時間を要するスペクトル分解を避けるため、学習可能なグラフウェーブレット変換を考案し、全体のトレーニングプロセスを大幅に高速化する。
論文 参考訳(メタデータ) (2023-02-10T12:07:26Z) - An Efficient Hypergraph Approach to Robust Point Cloud Resampling [57.49817398852218]
ハイパーグラフ信号処理(hgsp)に基づくポイントクラウド再サンプリングの検討
点群の信号ノード間の多面的な相互作用を捕捉するハイパーグラフスペクトルフィルタを設計する。
実験の結果, 点雲のハイパーグラフ解析の有効性が検証された。
論文 参考訳(メタデータ) (2021-03-11T23:19:54Z) - Graphite: GRAPH-Induced feaTure Extraction for Point Cloud Registration [80.69255347486693]
我々は、シンプルな機能とキーポイント検出器である Graph-induced feaTure extract Pipeline を導入する。
我々は,点クラウド領域を記述し,有意な点を抽出する汎用的なグラフベース学習手法を構築した。
我々は3Dキーポイントパイプラインをグラフニューラルネットワークで再構成し、ポイントセットの効率的な処理を可能にする。
論文 参考訳(メタデータ) (2020-10-18T19:41:09Z) - D3Feat: Joint Learning of Dense Detection and Description of 3D Local
Features [51.04841465193678]
私たちは3Dポイントクラウドに3D完全畳み込みネットワークを活用しています。
本稿では,3次元点ごとに検出スコアと記述特徴の両方を密に予測する,新しい,実践的な学習機構を提案する。
本手法は,屋内と屋外の両方のシナリオで最先端の手法を実現する。
論文 参考訳(メタデータ) (2020-03-06T12:51:09Z) - Pointwise Attention-Based Atrous Convolutional Neural Networks [15.499267533387039]
多数の点を効率的に扱うために,注目度に基づくアトラス畳み込みニューラルネットワークアーキテクチャを提案する。
提案モデルは,3次元セマンティックセグメンテーションタスクにおいて,最も重要な2つの3Dポイントクラウドデータセット上で評価されている。
精度の面では最先端モデルと比較して妥当な性能を達成し、パラメータの数ははるかに少ない。
論文 参考訳(メタデータ) (2019-12-27T13:12:58Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。