論文の概要: Dynamic Point Cloud Denoising via Manifold-to-Manifold Distance
- arxiv url: http://arxiv.org/abs/2003.08355v3
- Date: Wed, 28 Oct 2020 12:53:04 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-22 21:14:49.125119
- Title: Dynamic Point Cloud Denoising via Manifold-to-Manifold Distance
- Title（参考訳）: Manifold-to-Manifold Distanceによるダイナミックポイント雲のデノイング
- Authors: Wei Hu, Qianjiang Hu, Zehua Wang, Xiang Gao
- Abstract要約: 動的点雲を時空間グラフ上で自然に表現し、基底面(多様体)に対する時間的一貫性を利用する。
我々は、所望の点雲と基礎となるグラフ表現の合同最適化として、動的点雲デノイングを定式化する。
実験結果から,提案手法は,最先端の静的クラウドデノナイズ手法から,各フレームの独立デノナイズを著しく上回ることがわかった。
- 参考スコア（独自算出の注目度）: 24.174744253496513
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: 3D dynamic point clouds provide a natural discrete representation of
real-world objects or scenes in motion, with a wide range of applications in
immersive telepresence, autonomous driving, surveillance, \etc. Nevertheless,
dynamic point clouds are often perturbed by noise due to hardware, software or
other causes. While a plethora of methods have been proposed for static point
cloud denoising, few efforts are made for the denoising of dynamic point
clouds, which is quite challenging due to the irregular sampling patterns both
spatially and temporally. In this paper, we represent dynamic point clouds
naturally on spatial-temporal graphs, and exploit the temporal consistency with
respect to the underlying surface (manifold). In particular, we define a
manifold-to-manifold distance and its discrete counterpart on graphs to measure
the variation-based intrinsic distance between surface patches in the temporal
domain, provided that graph operators are discrete counterparts of functionals
on Riemannian manifolds. Then, we construct the spatial-temporal graph
connectivity between corresponding surface patches based on the temporal
distance and between points in adjacent patches in the spatial domain.
Leveraging the initial graph representation, we formulate dynamic point cloud
denoising as the joint optimization of the desired point cloud and underlying
graph representation, regularized by both spatial smoothness and temporal
consistency. We reformulate the optimization and present an efficient
algorithm. Experimental results show that the proposed method significantly
outperforms independent denoising of each frame from state-of-the-art static
point cloud denoising approaches, on both Gaussian noise and simulated LiDAR
noise.
- Abstract（参考訳）: 3d動的ポイントクラウドは、没入型テレプレゼンス、自律運転、監視、 \etcといった幅広い応用を含む、実世界のオブジェクトやシーンの自然な離散表現を提供する。
それにもかかわらず、動的ポイントクラウドはハードウェア、ソフトウェア、その他の原因によるノイズによってしばしば混乱する。
静的な点雲を分断する手法は数多く提案されているが、動的点雲を分断する試みはほとんど行われておらず、空間的・時間的にも不規則なサンプリングパターンのため非常に困難である。
本稿では,空間時間グラフ上で動的点雲を自然に表現し,基礎となる表面(多様体)に対する時間的整合性を利用する。
特に、グラフ作用素がリーマン多様体上の汎函数の離散対応であるようなとき、時間領域における表面パッチ間の変動に基づく内在距離を測定するために、多様体から多様体への距離とそのグラフ上の離散対応を定義する。
そして,空間領域内の隣接パッチの点間と時間的距離に基づいて,対応する表面パッチ間の空間時空間グラフ接続を構築する。
初期グラフ表現を活用し、所望の点クラウドと基礎となるグラフ表現の協調最適化として動的点クラウドを定式化し、空間的滑らかさと時間的一貫性を両立させる。
最適化を再構築し,効率的なアルゴリズムを提案する。
実験結果から,提案手法はガウス雑音とlidar雑音の両方において,最先端の静的点雲から各フレームの独立な分断を著しく上回ることがわかった。
関連論文リスト
- Point Cloud Resampling with Learnable Heat Diffusion [58.050130177241186]
ポイントクラウド再サンプリングのための学習可能な熱拡散フレームワークを提案する。
前の固定された拡散モデルとは異なり、適応条件は点雲の幾何学的特徴を選択的に保存する。
論文 参考訳（メタデータ） (2024-11-21T13:44:18Z) - Fast Learning of Signed Distance Functions from Noisy Point Clouds via Noise to Noise Mapping [54.38209327518066]
点雲から符号付き距離関数を学習することは、3Dコンピュータビジョンにおいて重要な課題である。
クリーンポイントクラウドや地上の真理監督を必要としないノイズ・ノイズマッピングを用いてSDFを学習することを提案する。
我々の新しい特徴はノイズ・ト・ノイズマッピングにあり、1つの物体やシーンの高精度なSDFを、その多重または単一ノイズの観測から推測することができる。
論文 参考訳（メタデータ） (2024-07-04T03:35:02Z) - Dynamic Point Cloud Denoising via Gradient Fields [17.29921488701806]
3Dダイナミックポイントクラウドは、現実のオブジェクトや動きのシーンを離散的に表現する。
センサから取得した点雲は、通常ノイズによって乱れ、表面の再構成や解析などの下流のタスクに影響を及ぼす。
本研究では,勾配場推定による時間対応を生かした,勾配場に基づく動的点雲デノナイズ手法を提案する。
論文 参考訳（メタデータ） (2022-04-19T08:51:53Z) - IDEA-Net: Dynamic 3D Point Cloud Interpolation via Deep Embedding
Alignment [58.8330387551499]
我々は、点方向軌跡(すなわち滑らかな曲線)の推定として問題を定式化する。
本稿では,学習した時間的一貫性の助けを借りて問題を解消する,エンドツーエンドのディープラーニングフレームワークであるIDEA-Netを提案する。
各種点群における本手法の有効性を実証し, 定量的かつ視覚的に, 最先端の手法に対する大幅な改善を観察する。
論文 参考訳（メタデータ） (2022-03-22T10:14:08Z) - Exploring the Devil in Graph Spectral Domain for 3D Point Cloud Attacks [19.703181080679176]
3Dダイナミックポイントクラウドは、現実のオブジェクトや動きのシーンを離散的に表現する。
センサから取得した点雲は、通常ノイズによって乱れ、表面の再構成や解析などの下流のタスクに影響を及ぼす。
そこで我々は,勾配場推定のための時間対応を利用して,新しい勾配に基づく動的点雲分極法を提案する。
論文 参考訳（メタデータ） (2022-02-15T09:16:12Z) - Deep Point Set Resampling via Gradient Fields [11.5128379063303]
現実世界のオブジェクトやシーンをスキャンして取得した3Dポイントクラウドは、幅広いアプリケーションを見つけました。
しばしばノイズに悩まされるか、低密度に悩まされるため、表面の再構築や理解といった下流の作業が妨げられる。
本稿では, 点雲の連続勾配場を学習する, 復元のための点集合再サンプリングの新しいパラダイムを提案する。
論文 参考訳（メタデータ） (2021-11-03T07:20:35Z) - TPCN: Temporal Point Cloud Networks for Motion Forecasting [47.829152433166016]
軌道予測のための空間的・時間的共同学習フレームワークを提案する。
空間的次元ではエージェントは無秩序な点集合と見なすことができ、したがってエージェントの位置をモデル化するためにポイントクラウド学習技術を適用することは容易である。
Argoverse運動予測ベンチマークの実験は、私たちのアプローチが最先端の結果を達成することを示しています。
論文 参考訳（メタデータ） (2021-03-04T14:44:32Z) - CaSPR: Learning Canonical Spatiotemporal Point Cloud Representations [72.4716073597902]
本研究では,動的あるいは動いた物体の標準点クラウド表現を学習する手法を提案する。
本稿では, 形状再構成, カメラポーズ推定, 連続時間列再構成, 対応推定など, 様々な応用における本手法の有効性を実証する。
論文 参考訳（メタデータ） (2020-08-06T17:58:48Z) - Learning Graph-Convolutional Representations for Point Cloud Denoising [31.557988478764997]
本稿では,学習ベースのポイントクラウド処理手法で発生する置換不変問題に対処可能なディープニューラルネットワークを提案する。
ネットワークは完全に畳み込み可能で、近傍グラフを動的に構築することで、機能の複雑な階層を構築することができる。
特に高騒音レベルと実LiDARスキャンで遭遇したような構造ノイズの存在の両方において堅牢である。
論文 参考訳（メタデータ） (2020-07-06T08:11:28Z) - Pseudo-LiDAR Point Cloud Interpolation Based on 3D Motion Representation
and Spatial Supervision [68.35777836993212]
我々はPseudo-LiDAR点雲ネットワークを提案し、時間的および空間的に高品質な点雲列を生成する。
点雲間のシーンフローを活用することにより,提案ネットワークは3次元空間運動関係のより正確な表現を学習することができる。
論文 参考訳（メタデータ） (2020-06-20T03:11:04Z)
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。