論文の概要: Generative PointNet: Deep Energy-Based Learning on Unordered Point Sets for 3D Generation, Reconstruction and Classification

• arxiv url: http://arxiv.org/abs/2004.01301v2
• Date: Wed, 7 Apr 2021 14:37:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-17 13:05:28.810435
• Title: Generative PointNet: Deep Energy-Based Learning on Unordered Point Sets for 3D Generation, Reconstruction and Classification
• Title（参考訳）: 生成的ポイントネット:3次元生成,再構成,分類のための無順序点集合の深いエネルギーに基づく学習
• Authors: Jianwen Xie, Yifei Xu, Zilong Zheng, Song-Chun Zhu, Ying Nian Wu
• Abstract要約: エネルギーモデルを用いて, 点雲などの無秩序点集合の生成モデルを提案する。 我々はこのモデルをジェネレーティブ・ポイントネット(Generative PointNet)と呼んでいる。
• 参考スコア（独自算出の注目度）: 136.57669231704858
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a generative model of unordered point sets, such as point clouds, in the form of an energy-based model, where the energy function is parameterized by an input-permutation-invariant bottom-up neural network. The energy function learns a coordinate encoding of each point and then aggregates all individual point features into an energy for the whole point cloud. We call our model the Generative PointNet because it can be derived from the discriminative PointNet. Our model can be trained by MCMC-based maximum likelihood learning (as well as its variants), without the help of any assisting networks like those in GANs and VAEs. Unlike most point cloud generators that rely on hand-crafted distance metrics, our model does not require any hand-crafted distance metric for the point cloud generation, because it synthesizes point clouds by matching observed examples in terms of statistical properties defined by the energy function. Furthermore, we can learn a short-run MCMC toward the energy-based model as a flow-like generator for point cloud reconstruction and interpolation. The learned point cloud representation can be useful for point cloud classification. Experiments demonstrate the advantages of the proposed generative model of point clouds.
• Abstract（参考訳）: 本稿では、入力置換不変ボトムアップニューラルネットワークによりエネルギー関数をパラメータ化するエネルギーベースモデルを用いて、点雲などの非順序点集合の生成モデルを提案する。 エネルギー関数は各点の座標符号化を学習し、各点の特徴全てを点雲全体のエネルギーに集約する。 我々はこのモデルをジェネレーティブ・ポイントネット(Generative PointNet)と呼んでいる。 我々のモデルは、GANやVAEのような補助ネットワークの助けなしに、MCMCベースの最大可能性学習(およびその変種)によって訓練することができる。 手作り距離測定に依存するほとんどの点雲生成装置とは異なり、我々のモデルは、エネルギー関数によって定義される統計特性の点雲を一致させて合成するため、点雲生成のための手作り距離測定を一切必要としない。 さらに,ポイントクラウドの再構成と補間のためのフロー型生成器としてのエネルギーベースモデルへの短期的mcmcの学習も可能である。 学習したポイントクラウド表現は、ポイントクラウド分類に有用である。 実験は、提案された点雲の生成モデルの利点を示す。

関連論文リスト

• A Hybrid Generative and Discriminative PointNet on Unordered Point Sets [6.282930329443868]
  本稿では, GDPNet を最初のハイブリッド生成・識別型ポイントネットとして提案する。 我々のGDPNetは、最新のPointNet分類器の強力な差別力を維持しつつ、最先端のジェネレーティブアプローチに匹敵するポイントクラウドサンプルを生成しています。
  論文  参考訳（メタデータ） (2024-04-19T14:52:25Z)
• Point Cloud Pre-training with Diffusion Models [62.12279263217138]
  我々は、ポイントクラウド拡散事前学習(PointDif)と呼ばれる新しい事前学習手法を提案する。 PointDifは、分類、セグメンテーション、検出など、さまざまな下流タスクのために、さまざまな現実世界のデータセット間で大幅に改善されている。
  論文  参考訳（メタデータ） (2023-11-25T08:10:05Z)
• Patch-Wise Point Cloud Generation: A Divide-and-Conquer Approach [83.05340155068721]
  分割・分散アプローチを用いた新しい3dポイントクラウド生成フレームワークを考案する。 すべてのパッチジェネレータは学習可能な事前情報に基づいており、幾何学的プリミティブの情報を取得することを目的としている。 最も人気のあるポイントクラウドデータセットであるShapeNetのさまざまなオブジェクトカテゴリに関する実験結果は、提案したパッチワイドポイントクラウド生成の有効性を示している。
  論文  参考訳（メタデータ） (2023-07-22T11:10:39Z)
• Variational Relational Point Completion Network for Robust 3D Classification [59.80993960827833]
  可変点雲補完法は、局所的な詳細を欠くため、大域的な形状の骨格を生成する傾向がある。 本稿では2つの魅力的な特性を持つ変分フレームワークであるポイントコンプリートネットワーク(VRCNet)を提案する。 VRCNetは、現実世界のポイントクラウドスキャンにおいて、非常に一般化性と堅牢性を示している。
  論文  参考訳（メタデータ） (2023-04-18T17:03:20Z)
• Controllable Mesh Generation Through Sparse Latent Point Diffusion Models [105.83595545314334]
  メッシュ生成のための新しいスパース潜在点拡散モデルを設計する。 私たちの重要な洞察は、ポイントクラウドをメッシュの中間表現と見なし、代わりにポイントクラウドの分布をモデル化することです。 提案したスパース潜在点拡散モデルにより,生成品質と制御性において優れた性能が得られる。
  論文  参考訳（メタデータ） (2023-03-14T14:25:29Z)
• Representing Point Clouds with Generative Conditional Invertible Flow Networks [15.280751949071016]
  クラウド固有の確率分布から抽出したサンプルの集合として,点雲を表現するための簡易かつ効果的な方法を提案する。 提案手法は, 生成的非可逆フローネットワークを利用して埋め込みを学習し, 点雲を生成する。 私たちのモデルは、ベンチマークデータセット上で、競争力または優れた定量的結果を提供します。
  論文  参考訳（メタデータ） (2020-10-07T18:30:47Z)
• Multi-scale Receptive Fields Graph Attention Network for Point Cloud Classification [35.88116404702807]
  MRFGATアーキテクチャはModelNet10とModelNet40データセットでテストされている。 その結果,形状分類作業における最先端性能が得られた。
  論文  参考訳（メタデータ） (2020-09-28T13:01:28Z)
• Permutation Matters: Anisotropic Convolutional Layer for Learning on Point Clouds [145.79324955896845]
  本稿では,各点のソフトな置換行列を計算する変分異方性畳み込み演算(PAI-Conv)を提案する。 点雲の実験により、PAI-Convは分類とセマンティックセグメンテーションのタスクにおいて競合する結果をもたらすことが示された。
  論文  参考訳（メタデータ） (2020-05-27T02:42:29Z)
• Airborne LiDAR Point Cloud Classification with Graph Attention Convolution Neural Network [5.69168146446103]
  本稿では,空飛ぶLiDARにより得られる非構造化3次元点雲の分類に直接適用可能なグラフ注意畳み込みニューラルネットワーク(GACNN)を提案する。 提案するグラフアテンション・コンボリューション・モジュールに基づいて,GACNNと呼ばれるエンド・ツー・エンドのエンコーダ・デコーダネットワークを設計し,ポイント・クラウドのマルチスケールな特徴を捉える。 ISPRS 3Dラベリングデータセットの実験では、提案モデルが平均F1スコア(71.5%)と全精度(83.2%)で新しい最先端性能を達成することが示された。
  論文  参考訳（メタデータ） (2020-04-20T05:12:31Z)

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。