論文の概要: DPDist : Comparing Point Clouds Using Deep Point Cloud Distance

• arxiv url: http://arxiv.org/abs/2004.11784v2
• Date: Thu, 23 Jul 2020 07:46:09 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-10 03:50:57.980633
• Title: DPDist : Comparing Point Clouds Using Deep Point Cloud Distance
• Title（参考訳）: DPDist : Deep Point Cloud Distance を用いた点雲の比較
• Authors: Dahlia Urbach, Yizhak Ben-Shabat, Michael Lindenbaum
• Abstract要約: 本稿では,ポイントクラウド比較のための新しいディープラーニング手法を提案する。 我々のアプローチはディープ・ポイント・クラウド・ディスタンス (DPDist) と呼ばれ、1つのクラウド内の点と、もう1つのクラウドがサンプリングされる推定表面との間の距離を測定する。
• 参考スコア（独自算出の注目度）: 12.676356746752898
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce a new deep learning method for point cloud comparison. Our approach, named Deep Point Cloud Distance (DPDist), measures the distance between the points in one cloud and the estimated surface from which the other point cloud is sampled. The surface is estimated locally and efficiently using the 3D modified Fisher vector representation. The local representation reduces the complexity of the surface, enabling efficient and effective learning, which generalizes well between object categories. We test the proposed distance in challenging tasks, such as similar object comparison and registration, and show that it provides significant improvements over commonly used distances such as Chamfer distance, Earth mover's distance, and others.
• Abstract（参考訳）: ポイントクラウド比較のための新しいディープラーニング手法を提案する。 我々のアプローチは、Deep Point Cloud Distance (DPDist)と呼ばれ、1つのクラウド内の点と、他のクラウドがサンプリングされる推定表面との間の距離を測定する。 3次元修正フィッシャーベクトル表現を用いて局所的かつ効率的に表面を推定する。 局所表現は表面の複雑さを減らし、効率的で効果的な学習を可能にし、オブジェクトカテゴリ間でうまく一般化する。 提案した距離は、類似のオブジェクト比較や登録などの課題においてテストし、チャンファー距離、地球移動器距離などの一般的な距離よりも大幅に改善されていることを示す。

関連論文リスト

• Learning Continuous Implicit Field with Local Distance Indicator for Arbitrary-Scale Point Cloud Upsampling [55.05706827963042]
  点雲アップサンプリングは、疎点雲から密度が高く均一に分散した点集合を生成することを目的としている。 従来のメソッドは通常、スパースポイントクラウドをいくつかのローカルパッチ、アップサンプルパッチポイント、すべてのアップサンプルパッチにマージする。 そこで本研究では,点雲のアップサンプリングのために,局所的な先行者によって導かれる符号のない距離場を学習する手法を提案する。
  論文  参考訳（メタデータ） (2023-12-23T01:52:14Z)
• GridPull: Towards Scalability in Learning Implicit Representations from 3D Point Clouds [60.27217859189727]
  大規模クラウドから暗黙の表現を学習する効率を改善するため,GridPullを提案する。 我々の斬新さは、ニューラルネットワークを使わずにグリッド上に定義された離散距離場の高速な推論にある。 我々は、一様格子を用いて高速グリッド探索を行い、サンプルクエリをローカライズし、木構造内の表面点を整理し、表面への距離の計算を高速化する。
  論文  参考訳（メタデータ） (2023-08-25T04:52:52Z)
• DELFlow: Dense Efficient Learning of Scene Flow for Large-Scale Point Clouds [42.64433313672884]
  2次元グリッドに3次元座標を格納することで,原点を高密度フォーマットに正規化する。 既存の作業でよく使われるサンプリング操作とは異なり、密度の高い2D表現はほとんどの点を保存する。 また,情報損失問題を緩和する新しいワーププロジェクション手法を提案する。
  論文  参考訳（メタデータ） (2023-08-08T16:37:24Z)
• Unleash the Potential of 3D Point Cloud Modeling with A Calibrated Local Geometry-driven Distance Metric [62.365983810610985]
  そこで我々は,Callibated Local Geometry Distance (CLGD) と呼ばれる新しい距離測定法を提案する。 CLGDは、基準点の集合によってキャリブレーションされ誘導される基礎となる3次元表面の差を計算する。 一般的な指標として、CLGDは3Dポイントのクラウドモデリングを前進させる可能性がある。
  論文  参考訳（メタデータ） (2023-06-01T11:16:20Z)
• CAP-UDF: Learning Unsigned Distance Functions Progressively from Raw Point Clouds with Consistency-Aware Field Optimization [54.69408516025872]
  CAP-UDFは、生の点雲から一貫性を考慮したUDFを学ぶための新しい方法である。 我々は、クエリと近似曲面の関係を徐々に推測するようにニューラルネットワークを訓練する。 学習されたUDFの勾配を用いて表面を抽出する多角化アルゴリズムも導入する。
  論文  参考訳（メタデータ） (2022-10-06T08:51:08Z)
• Reconstructing Surfaces for Sparse Point Clouds with On-Surface Priors [52.25114448281418]
  現在の方法では、接地距離や点正規化なしに単一点雲から符号付き距離関数 (Signed Distance Function, SDF) を学習することで、表面を再構築することができる。 そこで本稿では, 表面上の粗い点雲から高精度な表面を復元することを提案する。 本手法は, 接地距離や点正規化を伴わずに, 単一のスパース点雲からSDFを学習することができる。
  論文  参考訳（メタデータ） (2022-04-22T09:45:20Z)
• 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)
• Point-set Distances for Learning Representations of 3D Point Clouds [21.860204082926415]
  本稿では,3次元点雲の表現を学習するために,スライスされたワッサースタイン距離という,ワッサーシュタイン距離の変種を用いることを提案する。 実験により、スライスされたワッサースタイン距離により、ニューラルネットワークはチャンファーの差よりも効率的な表現を学習できることが示された。
  論文  参考訳（メタデータ） (2021-02-08T06:09:13Z)

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。