論文の概要: Deep Feature-preserving Normal Estimation for Point Cloud Filtering
- arxiv url: http://arxiv.org/abs/2004.11563v1
- Date: Fri, 24 Apr 2020 07:05:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-10 04:11:39.704113
- Title: Deep Feature-preserving Normal Estimation for Point Cloud Filtering
- Title(参考訳): ポイントクラウドフィルタの深部特徴保存正規推定
- Authors: Dening Lu, Xuequan Lu, Yangxing Sun, Jun Wang
- Abstract要約: 本稿では,ポイントクラウドフィルタリングのための特徴保存正規推定法を提案する。
学習方法であり,正規化の自動予測を実現する。
種々の実験により,本手法は最先端の正規推定法や点雲フィルタリング法より優れていることが示された。
- 参考スコア(独自算出の注目度): 14.411519695767634
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Point cloud filtering, the main bottleneck of which is removing noise
(outliers) while preserving geometric features, is a fundamental problem in 3D
field. The two-step schemes involving normal estimation and position update
have been shown to produce promising results. Nevertheless, the current normal
estimation methods including optimization ones and deep learning ones, often
either have limited automation or cannot preserve sharp features. In this
paper, we propose a novel feature-preserving normal estimation method for point
cloud filtering with preserving geometric features. It is a learning method and
thus achieves automatic prediction for normals. For training phase, we first
generate patch based samples which are then fed to a classification network to
classify feature and non-feature points. We finally train the samples of
feature and non-feature points separately, to achieve decent results. Regarding
testing, given a noisy point cloud, its normals can be automatically estimated.
For further point cloud filtering, we iterate the above normal estimation and a
current position update algorithm for a few times. Various experiments
demonstrate that our method outperforms state-of-the-art normal estimation
methods and point cloud filtering techniques, in terms of both quality and
quantity.
- Abstract(参考訳): ポイントクラウドフィルタリングは、幾何学的特徴を維持しながらノイズ(異常値)を取り除くことが主なボトルネックであり、3dフィールドにおける根本的な問題である。
通常の推定と位置更新を含む2段階のスキームが有望な結果をもたらすことが示されている。
それでも、最適化とディープラーニングを含む現在の通常の推定方法は、しばしば自動化が限られるか、鋭い特徴を保存できない。
本稿では,幾何学的特徴を保存した点雲フィルタリングのための特徴保存正規推定法を提案する。
学習方法であり,正規化の自動予測を実現する。
トレーニングフェーズでは,まずパッチベースのサンプルを生成して分類ネットワークに送り,特徴点と非特徴点を分類する。
最後に、機能点と非機能点のサンプルを個別にトレーニングし、適切な結果を得る。
テストに関して、ノイズの多い点雲があると、その正規値が自動的に推定される。
さらにポイント・クラウド・フィルタリングを行うために、上記の正規推定と現在位置更新アルゴリズムを数回反復する。
様々な実験により,本手法は品質と量の両方において,最先端の正規推定法とポイントクラウドフィルタリング手法を上回っていることが示された。
関連論文リスト
- 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) - 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) - Neural Gradient Learning and Optimization for Oriented Point Normal
Estimation [53.611206368815125]
本研究では,3次元点雲から勾配ベクトルを一貫した向きで学習し,正規推定を行うためのディープラーニング手法を提案する。
局所平面幾何に基づいて角距離場を学習し、粗勾配ベクトルを洗練する。
本手法は,局所特徴記述の精度と能力の一般化を図りながら,グローバル勾配近似を効率的に行う。
論文 参考訳(メタデータ) (2023-09-17T08:35:11Z) - Weighted Point Cloud Normal Estimation [16.26518988623745]
本稿では,3次元点雲データに対する重み付き正規推定手法を提案する。
局所的な点パッチから点の重みを推定する新しい重み付き正規回帰手法を提案する。
提案手法は,合成および実世界の両方のデータセット上で,最先端の性能を実現することで,ノイズや複雑な点群を頑健に処理することができる。
論文 参考訳(メタデータ) (2023-05-06T10:46:56Z) - Grad-PU: Arbitrary-Scale Point Cloud Upsampling via Gradient Descent
with Learned Distance Functions [77.32043242988738]
我々は、任意のアップサンプリングレートをサポートする、正確なポイントクラウドアップサンプリングのための新しいフレームワークを提案する。
提案手法は,まず,所定のアップサンプリング率に応じて低解像度の雲を補間する。
論文 参考訳(メタデータ) (2023-04-24T06:36:35Z) - Contrastive Learning for Joint Normal Estimation and Point Cloud
Filtering [12.602645108896636]
本研究では,正規点とフィルタ点の雲を共同で推定する新しいディープラーニング手法を提案する。
まず,3Dパッチに基づくコントラスト学習フレームワークを導入する。
実験の結果,本手法は2つのタスクを同時にサポートし,シャープな特徴と細部を保存できることがわかった。
論文 参考訳(メタデータ) (2022-08-14T09:16:25Z) - Self-Supervised Arbitrary-Scale Point Clouds Upsampling via Implicit
Neural Representation [79.60988242843437]
そこで本研究では,自己監督型および倍率フレキシブルな点雲を同時にアップサンプリングする手法を提案する。
実験結果から, 自己教師あり学習に基づく手法は, 教師あり学習に基づく手法よりも, 競争力や性能が向上することが示された。
論文 参考訳(メタデータ) (2022-04-18T07:18:25Z) - Deep Point Cloud Normal Estimation via Triplet Learning [12.271669779096076]
点雲の新しい正規推定法を提案する。
a) 局所パッチの表現を学習する特徴符号化と(b) 学習した表現を入力として取り、通常のベクトルを回帰する正規推定である。
本手法は,シャープな特徴を保存し,CAD形状の正常な推定結果を改善する。
論文 参考訳(メタデータ) (2021-10-20T11:16:00Z) - Rethinking Point Cloud Filtering: A Non-Local Position Based Approach [4.285710073014461]
本稿では,ポイントクラウドフィルタリングのための新しい位置ベースアプローチを提案する。
通常の手法とは異なり,本手法では通常の情報を必要としない。
大規模な実験により本手法の有効性が検証され, 一般に位置ベース法よりも優れた結果が得られた。
論文 参考訳(メタデータ) (2021-10-14T11:03:25Z) - 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)
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。