論文の概要: PUGeo-Net: A Geometry-centric Network for 3D Point Cloud Upsampling

• arxiv url: http://arxiv.org/abs/2002.10277v2
• Date: Sat, 7 Mar 2020 16:02:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-29 04:04:11.035427
• Title: PUGeo-Net: A Geometry-centric Network for 3D Point Cloud Upsampling
• Title（参考訳）: PUGeo-Net:3Dポイントクラウドアップサンプリングのための幾何学中心ネットワーク
• Authors: Yue Qian, Junhui Hou, Sam Kwong, Ying He
• Abstract要約: PUGeo-Netと呼ばれる新しいディープニューラルネットワークを用いた一様高密度点雲を生成する手法を提案する。 その幾何学中心の性質のおかげで、PUGeo-Netはシャープな特徴を持つCADモデルとリッチな幾何学的詳細を持つスキャンされたモデルの両方でうまく機能する。
• 参考スコア（独自算出の注目度）: 103.09504572409449
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper addresses the problem of generating uniform dense point clouds to describe the underlying geometric structures from given sparse point clouds. Due to the irregular and unordered nature, point cloud densification as a generative task is challenging. To tackle the challenge, we propose a novel deep neural network based method, called PUGeo-Net, that learns a $3\times 3$ linear transformation matrix $\bf T$ for each input point. Matrix $\mathbf T$ approximates the augmented Jacobian matrix of a local parameterization and builds a one-to-one correspondence between the 2D parametric domain and the 3D tangent plane so that we can lift the adaptively distributed 2D samples (which are also learned from data) to 3D space. After that, we project the samples to the curved surface by computing a displacement along the normal of the tangent plane. PUGeo-Net is fundamentally different from the existing deep learning methods that are largely motivated by the image super-resolution techniques and generate new points in the abstract feature space. Thanks to its geometry-centric nature, PUGeo-Net works well for both CAD models with sharp features and scanned models with rich geometric details. Moreover, PUGeo-Net can compute the normal for the original and generated points, which is highly desired by the surface reconstruction algorithms. Computational results show that PUGeo-Net, the first neural network that can jointly generate vertex coordinates and normals, consistently outperforms the state-of-the-art in terms of accuracy and efficiency for upsampling factor $4\sim 16$.
• Abstract（参考訳）: 本稿では,一様密点雲を発生させる問題に対処し,与えられたスパース点雲からの基本幾何学的構造を記述する。 不規則で秩序のない性質のため、生成タスクとしての点雲密度化は困難である。 この課題に対処するため,PUGeo-Netと呼ばれる新しいディープニューラルネットワークベースの手法を提案し,各入力点に対して3ドル3セントの線形変換行列$\bf T$を学習する。 Matrix $\mathbf T$ は局所パラメータ化の強化ヤコビ行列を近似し、2次元パラメトリック領域と3次元接面との1対1対応を構築し、適応的に分散された2Dサンプル(これもデータから学習される)を3D空間に持ち上げる。 その後, 接面の正規面に沿った変位を計算することにより, 試料を曲面に投影する。 pugeo-netは、イメージスーパーレゾリューション技術に大きく動機付けられ、抽象的な特徴空間の新しいポイントを生み出す既存のディープラーニング手法と根本的に異なる。 形状中心の性質から、pugeo-netはシャープな特徴を持つcadモデルと、幾何学的詳細が豊富なスキャンされたモデルの両方でうまく機能する。 さらに、PUGeo-Netは、元の点と生成された点の正規値を計算することができる。 計算結果は、頂点座標と正規分布を共同で生成できる最初のニューラルネットワークであるpugeo-netが、アップサンプリング係数4\sim 16$の精度と効率の点で常に最先端を上回っていることを示している。

関連論文リスト

• ParaPoint: Learning Global Free-Boundary Surface Parameterization of 3D Point Clouds [52.03819676074455]
  ParaPointは、グローバルな自由境界面パラメータ化を実現するための教師なしのニューラルネットワークパイプラインである。 この研究は、グローバルマッピングと自由境界の両方を追求するニューラルポイントクラウドパラメータ化を調査する最初の試みである。
  論文  参考訳（メタデータ） (2024-03-15T14:35:05Z)
• Oriented-grid Encoder for 3D Implicit Representations [10.02138130221506]
  本論文は,3次元幾何エンコーダの3次元特性を明示的に利用した最初のものである。 提案手法は,従来の手法と比較して最先端の結果が得られる。
  論文  参考訳（メタデータ） (2024-02-09T19:28:13Z)
• Polyhedral Surface: Self-supervised Point Cloud Reconstruction Based on Polyhedral Surface [14.565612328814312]
  局所表面を表す新しい多面体表面を提案する。 ニューラルネットワークを導入する上で重要な局所座標系は不要である。 提案手法は,3つの一般的なネットワーク上での最先端の処理結果を実現する。
  論文  参考訳（メタデータ） (2023-10-23T04:24:31Z)
• Flattening-Net: Deep Regular 2D Representation for 3D Point Cloud Analysis [66.49788145564004]
  我々は、任意の幾何学と位相の不規則な3次元点雲を表現するために、Flattning-Netと呼ばれる教師なしのディープニューラルネットワークを提案する。 我々の手法は、現在の最先端の競合相手に対して好意的に機能する。
  論文  参考訳（メタデータ） (2022-12-17T15:05:25Z)
• GeoUDF: Surface Reconstruction from 3D Point Clouds via Geometry-guided Distance Representation [73.77505964222632]
  スパース点雲から離散曲面を再構成する問題に対処する学習ベース手法であるGeoUDFを提案する。 具体的には、UDFのための幾何誘導学習法とその勾配推定を提案する。 予測されたUDFから三角形メッシュを抽出するために,カスタマイズされたエッジベースマーチングキューブモジュールを提案する。
  論文  参考訳（メタデータ） (2022-11-30T06:02:01Z)
• SketchSampler: Sketch-based 3D Reconstruction via View-dependent Depth Sampling [75.957103837167]
  1枚のスケッチ画像に基づいて3次元形状を再構成することは、スパースで不規則なスケッチと正規の高密度な3次元形状との間に大きな領域ギャップがあるため困難である。 既存の作品では、3D座標を直接予測するためにスケッチから抽出されたグローバルな特徴を活用しようとするが、通常は入力スケッチに忠実でない細部を失う。
  論文  参考訳（メタデータ） (2022-08-14T16:37:51Z)
• Laplacian2Mesh: Laplacian-Based Mesh Understanding [4.808061174740482]
  我々は3次元トライアングルメッシュのための新しいフレキシブル畳み込みニューラルネットワーク(CNN)モデルであるLaplacian2Meshを紹介した。 メッシュプーリングはラプラシアンの多空間変換によりネットワークの受容場を拡張するために適用される。 3Dメッシュに適用されたさまざまな学習タスクの実験は、Laplacian2Meshの有効性と効率を実証している。
  論文  参考訳（メタデータ） (2022-02-01T10:10:13Z)
• Learning Geometry-Disentangled Representation for Complementary Understanding of 3D Object Point Cloud [50.56461318879761]
  3次元画像処理のためのGDANet(Geometry-Disentangled Attention Network)を提案する。 GDANetは、点雲を3Dオブジェクトの輪郭と平らな部分に切り離し、それぞれ鋭い変化成分と穏やかな変化成分で表される。 3Dオブジェクトの分類とセグメンテーションベンチマークの実験は、GDANetがより少ないパラメータで最先端の処理を実現していることを示している。
  論文  参考訳（メタデータ） (2020-12-20T13:35:00Z)

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。