論文の概要: ParSeNet: A Parametric Surface Fitting Network for 3D Point Clouds

• arxiv url: http://arxiv.org/abs/2003.12181v5
• Date: Tue, 22 Sep 2020 16:05:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2022-12-19 21:23:33.998454
• Title: ParSeNet: A Parametric Surface Fitting Network for 3D Point Clouds
• Title（参考訳）: ParSeNet: 3Dポイントクラウドのためのパラメトリックサーフェスフィッティングネットワーク
• Authors: Gopal Sharma, Difan Liu, Subhransu Maji, Evangelos Kalogerakis, Siddhartha Chaudhuri, Radom\'ir M\v{e}ch
• Abstract要約: 本稿では、3次元点雲をパラメトリックな表面パッチに分解するParSeNetという,エンドツーエンドのトレーニング可能な深層ネットワークを提案する。 ParSeNetは、人造の3D形状の大規模なデータセットに基づいてトレーニングされ、形状分解のための高レベルのセマンティック先行をキャプチャする。
• 参考スコア（独自算出の注目度）: 40.52124782103019
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a novel, end-to-end trainable, deep network called ParSeNet that decomposes a 3D point cloud into parametric surface patches, including B-spline patches as well as basic geometric primitives. ParSeNet is trained on a large-scale dataset of man-made 3D shapes and captures high-level semantic priors for shape decomposition. It handles a much richer class of primitives than prior work, and allows us to represent surfaces with higher fidelity. It also produces repeatable and robust parametrizations of a surface compared to purely geometric approaches. We present extensive experiments to validate our approach against analytical and learning-based alternatives. Our source code is publicly available at: https://hippogriff.github.io/parsenet.
• Abstract（参考訳）: 本稿では、3dポイントクラウドをパラメトリックな表面パッチに分解し、bスプラインパッチや基本的な幾何学的プリミティブを含む新しいエンドツーエンドのトレーニング可能なディープネットワークparsenetを提案する。 parsenetは、人工の3d形状の大規模なデータセットで訓練され、形状分解のための高レベルなセマンティクスプリエントをキャプチャする。 以前の作業よりもずっとリッチなプリミティブクラスを処理し、より忠実な表面を表現することができます。 また、純粋に幾何学的なアプローチと比較して、表面の繰り返しかつ堅牢なパラメトリゼーションを生成する。 分析および学習に基づく代替案に対するアプローチを検証するための広範な実験を行った。 私たちのソースコードは、https://hippogriff.github.io/parsenetで公開しています。

関連論文リスト

• Unsupervised Inference of Signed Distance Functions from Single Sparse Point Clouds without Learning Priors [54.966603013209685]
  3次元点雲から符号付き距離関数(SDF)を推測することは不可欠である。 単一スパース点雲から直接SDFを推定するニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2023-03-25T15:56:50Z)
• Parameter is Not All You Need: Starting from Non-Parametric Networks for 3D Point Cloud Analysis [51.0695452455959]
  本稿では3Dポイントクラウド解析のための非パラメトリックネットワークであるPoint-NNについて述べる。 驚くべきことに、さまざまな3Dタスクでうまく機能し、パラメータやトレーニングを必要とせず、既存の完全に訓練されたモデルを超えています。
  論文  参考訳（メタデータ） (2023-03-14T17:59:02Z)
• POCO: Point Convolution for Surface Reconstruction [92.22371813519003]
  入射ニューラルネットワークは点雲からの表面再構成に成功している。 それらの多くは、オブジェクトやシーン全体を1つの潜伏ベクトルにエンコードするときにスケーラビリティの問題に直面します。 本稿では,各入力点における点雲畳み込みと潜在ベクトルの計算を提案する。
  論文  参考訳（メタデータ） (2022-01-05T21:26:18Z)
• ParaNet: Deep Regular Representation for 3D Point Clouds [62.81379889095186]
  ParaNetは、3Dポイントクラウドを表現するための新しい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。 不規則な3D点雲を通常の2Dカラー画像に変換する。 多視点投影とボキセル化に基づく従来の正規表現法とは異なり、提案した表現は微分可能で可逆である。
  論文  参考訳（メタデータ） (2020-12-05T13:19:55Z)
• PIE-NET: Parametric Inference of Point Cloud Edges [40.27043782820615]
  我々は3Dポイントクラウドデータの特徴エッジを堅牢に識別するエンドツーエンドの学習技術を紹介した。 私たちのディープニューラルネットワークは、PIE-NETと呼ばれ、エッジのパラメトリック推論のために訓練されています。
  論文  参考訳（メタデータ） (2020-07-09T15:35:10Z)
• 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)
• Hypernetwork approach to generating point clouds [18.67883065951206]
  私たちは、ポイントを3D形状にマップするように訓練された特定のニューラルネットワークの重みを返すハイパーネットワークを構築します。 推定した事前分布からポイントバイポイントサンプリングを用いて、特定の3次元形状を生成することができる。 ハイパーネットワークは、現実的な3次元形状を再構築するために訓練されたオートエンコーダアーキテクチャに基づいているため、ターゲットネットワーク重みは3次元形状の表面のパラメトリゼーションと見なすことができる。
  論文  参考訳（メタデータ） (2020-02-10T11:09:58Z)

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。