論文の概要: DeepFit: 3D Surface Fitting via Neural Network Weighted Least Squares

• arxiv url: http://arxiv.org/abs/2003.10826v1
• Date: Mon, 23 Mar 2020 09:18:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-21 00:34:45.465835
• Title: DeepFit: 3D Surface Fitting via Neural Network Weighted Least Squares
• Title（参考訳）: DeepFit:ニューラルネットワークによる3D表面のフィッティング
• Authors: Yizhak Ben-Shabat and Stephen Gould
• Abstract要約: 本研究では,非構造型3次元点雲の表面フィッティング法を提案する。 DeepFitと呼ばれるこの方法は、ニューラルネットワークを組み込んで、重み付けされた最小二乗表面フィッティングのポイントワイド重みを学習する。
• 参考スコア（独自算出の注目度）: 43.24287146191367
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a surface fitting method for unstructured 3D point clouds. This method, called DeepFit, incorporates a neural network to learn point-wise weights for weighted least squares polynomial surface fitting. The learned weights act as a soft selection for the neighborhood of surface points thus avoiding the scale selection required of previous methods. To train the network we propose a novel surface consistency loss that improves point weight estimation. The method enables extracting normal vectors and other geometrical properties, such as principal curvatures, the latter were not presented as ground truth during training. We achieve state-of-the-art results on a benchmark normal and curvature estimation dataset, demonstrate robustness to noise, outliers and density variations, and show its application on noise removal.
• Abstract（参考訳）: 本研究では,非構造3次元点雲の表面フィッティング法を提案する。 この手法はDeepFitと呼ばれ、ニューラルネットワークを使って最小二乗多項式表面の重み付けの点重みを学習する。 学習した重みは表面点近傍のソフト選択として働き、それゆえ以前の方法のスケール選択を回避できる。 ネットワークをトレーニングするために,点重み推定を改善する新しい表面整合損失を提案する。 この方法では、通常のベクトルや主曲率などの幾何学的性質を抽出することができ、後者は訓練中に基底真理として提示されなかった。 ベンチマーク正規値および曲率推定データセットで最新の結果を達成し,雑音,異常値,密度変動に対するロバスト性を示し,ノイズ除去への応用を示す。

関連論文リスト

• Arbitrary-Scale Point Cloud Upsampling by Voxel-Based Network with Latent Geometric-Consistent Learning [52.825441454264585]
  Voxel-based Network (textbfPU-VoxelNet) を用いた任意のスケールのクラウド・アップサンプリング・フレームワークを提案する。 ボクセル表現から継承された完全性と規則性により、ボクセルベースのネットワークは3次元表面を近似する事前定義されたグリッド空間を提供することができる。 密度誘導グリッド再サンプリング法を開発し、高忠実度点を生成するとともに、サンプリング出力を効果的に回避する。
  論文  参考訳（メタデータ） (2024-03-08T07:31:14Z)
• Surface Normal Estimation with Transformers [11.198936434401382]
  ノイズと密度の変動を考慮した点群から正規分布を正確に予測する変換器を提案する。 本手法は,合成形状データセットPCPNetと実世界の屋内シーンPCPNNの両方で最先端の性能を実現する。
  論文  参考訳（メタデータ） (2024-01-11T08:52:13Z)
• NeuralGF: Unsupervised Point Normal Estimation by Learning Neural Gradient Function [55.86697795177619]
  3次元点雲の正規推定は3次元幾何処理の基本的な課題である。 我々は,ニューラルネットワークが入力点雲に適合することを奨励する,ニューラルグラデーション関数の学習のための新しいパラダイムを導入する。 広範に使用されているベンチマークの優れた結果から,本手法は非指向性および指向性正常推定タスクにおいて,より正確な正規性を学習できることが示されている。
  論文  参考訳（メタデータ） (2023-11-01T09:25:29Z)
• Rethinking the Approximation Error in 3D Surface Fitting for Point Cloud Normal Estimation [39.79759035338819]
  推定値と精密表面標準値のギャップを埋めるための基本設計原則を2つ提示する。 この2つの原理をディープニューラルネットワークを用いて実装し、プラグアンドプレイ方式で最先端のSOTA(State-of-the-art)正規推定手法と統合する。
  論文  参考訳（メタデータ） (2023-03-30T05:59:43Z)
• HSurf-Net: Normal Estimation for 3D Point Clouds by Learning Hyper Surfaces [54.77683371400133]
  本稿では,ノイズと密度の変動のある点群から正規性を正確に予測できるHSurf-Netという新しい正規推定手法を提案する。 実験結果から, HSurf-Netは, 合成形状データセット上での最先端性能を実現することがわかった。
  論文  参考訳（メタデータ） (2022-10-13T16:39:53Z)
• Learning Modified Indicator Functions for Surface Reconstruction [10.413340575612233]
  正規化のない原点雲からの暗黙的表面再構成のための学習に基づくアプローチを提案する。 我々の手法はポテンシャルエネルギー理論においてガウス・レムマにインスパイアされ、指標関数に対して明示的な積分公式を与える。 我々は、表面積分を行うための新しいディープニューラルネットワークを設計し、修正されたインジケータ関数を、不向きでノイズの多い点群から学習する。
  論文  参考訳（メタデータ） (2021-11-18T05:30:35Z)
• AdaFit: Rethinking Learning-based Normal Estimation on Point Clouds [31.641383879577894]
  本稿では,AdaFit という,雑音と密度の変動を伴う点雲に対処可能な,点雲上でのロバストな正規推定のためのニューラルネットワークを提案する。 既存の研究では、ネットワークを用いて最小表面の重み付けの点での重みを学習し、正規性を推定している。 そこで本研究では,通常の推定精度を向上させるために,新たなオフセット予測を付加する,シンプルで効果的な解を提案する。
  論文  参考訳（メタデータ） (2021-08-12T16:37:24Z)
• PU-Flow: a Point Cloud Upsampling Networkwith Normalizing Flows [58.96306192736593]
  本稿では,正規化フローを組み込んだPU-Flowについて述べる。 具体的には、重みが局所的な幾何学的文脈から適応的に学習される潜在空間において、アップサンプリング過程を点として定式化する。 提案手法は, 再現性, 近接精度, 計算効率の観点から, 最先端の深層学習手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-07-13T07:45:48Z)
• PUGeo-Net: A Geometry-centric Network for 3D Point Cloud Upsampling [103.09504572409449]
  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。
  論文  参考訳（メタデータ） (2020-02-24T14:13:29Z)

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。