論文の概要: GRNet: Gridding Residual Network for Dense Point Cloud Completion
- arxiv url: http://arxiv.org/abs/2006.03761v4
- Date: Mon, 20 Jul 2020 11:22:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-24 21:31:49.444764
- Title: GRNet: Gridding Residual Network for Dense Point Cloud Completion
- Title(参考訳): GRNet:Dense Point Cloud Completionのためのグリッド残留ネットワーク
- Authors: Haozhe Xie, Hongxun Yao, Shangchen Zhou, Jiageng Mao, Shengping Zhang,
Wenxiu Sun
- Abstract要約: 完全な3Dポイントクラウドを不完全なクラウドから推定することは、多くのビジョンやロボティクスアプリケーションにおいて重要な問題である。
本稿では,ポイントクラウド補完のための新しいGridding Residual Network(GRNet)を提案する。
実験結果から,提案したGRNetはShapeNet,Completion3D,KITTIベンチマークの最先端手法に対して良好に動作することがわかった。
- 参考スコア(独自算出の注目度): 54.43648460932248
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Estimating the complete 3D point cloud from an incomplete one is a key
problem in many vision and robotics applications. Mainstream methods (e.g., PCN
and TopNet) use Multi-layer Perceptrons (MLPs) to directly process point
clouds, which may cause the loss of details because the structural and context
of point clouds are not fully considered. To solve this problem, we introduce
3D grids as intermediate representations to regularize unordered point clouds.
We therefore propose a novel Gridding Residual Network (GRNet) for point cloud
completion. In particular, we devise two novel differentiable layers, named
Gridding and Gridding Reverse, to convert between point clouds and 3D grids
without losing structural information. We also present the differentiable Cubic
Feature Sampling layer to extract features of neighboring points, which
preserves context information. In addition, we design a new loss function,
namely Gridding Loss, to calculate the L1 distance between the 3D grids of the
predicted and ground truth point clouds, which is helpful to recover details.
Experimental results indicate that the proposed GRNet performs favorably
against state-of-the-art methods on the ShapeNet, Completion3D, and KITTI
benchmarks.
- Abstract(参考訳): 不完全なものから完全な3dポイントクラウドを推定することは、多くのビジョンとロボティクスアプリケーションにおいて重要な問題である。
主流の手法(pcnやtopnetなど)は、ポイントクラウドを直接処理するために多層パーセプトロン(mlps)を使用しており、ポイントクラウドの構造やコンテキストが十分に考慮されていないため、詳細が失われる可能性がある。
この問題を解決するため、3次元グリッドを中間表現として、無順序点雲を正則化する。
そこで我々は,ポイントクラウド補完のための新しいGridding Residual Network (GRNet)を提案する。
特に、GriddingとGridding Reverseという2つの新しい異なる層を考案し、構造情報を失うことなくポイントクラウドと3Dグリッドを変換する。
また,コンテキスト情報を保存する隣接点の特徴を抽出するために,微分可能な立方体特徴サンプリング層を提案する。
さらに,新たな損失関数,すなわちグリッドロスを設計し,予測された3次元グリッドと地上の真理点雲との間のl1距離を計算し,詳細を復元する。
実験結果から,提案したGRNetはShapeNet,Completion3D,KITTIベンチマークの最先端手法に対して良好に動作することがわかった。
関連論文リスト
- Point Cloud Semantic Segmentation using Multi Scale Sparse Convolution
Neural Network [0.0]
本稿では,マルチスケール超スパース畳み込みに基づく特徴抽出モジュールと,チャネルアテンションに基づく特徴選択モジュールを提案する。
マルチスケールのスパース畳み込みを導入することで、ネットワークは異なるサイズの畳み込みカーネルに基づいてよりリッチな特徴情報をキャプチャできる。
論文 参考訳(メタデータ) (2022-05-03T15:01:20Z) - PointAttN: You Only Need Attention for Point Cloud Completion [89.88766317412052]
ポイント・クラウド・コンプリート(Point cloud completion)とは、部分的な3次元ポイント・クラウドから3次元の形状を完成させることである。
そこで我々は,kNNを除去するために,ポイントクラウドをポイント単位に処理する新しいニューラルネットワークを提案する。
提案するフレームワークであるPointAttNはシンプルで簡潔で効果的であり、3次元形状の構造情報を正確に捉えることができる。
論文 参考訳(メタデータ) (2022-03-16T09:20:01Z) - A Conditional Point Diffusion-Refinement Paradigm for 3D Point Cloud
Completion [69.32451612060214]
実スキャンされた3Dポイントクラウドはしばしば不完全であり、下流アプリケーションのために完全なポイントクラウドを復元することが重要である。
ほとんどの既存のポイントクラウド補完方法は、トレーニングにチャンファー距離(CD)損失を使用する。
本稿では,点雲完了のためのPDR(Point Diffusion-Refinement)パラダイムを提案する。
論文 参考訳(メタデータ) (2021-12-07T06:59:06Z) - Deep Point Cloud Reconstruction [74.694733918351]
3Dスキャンから得られる点雲は、しばしばスパース、ノイズ、不規則である。
これらの問題に対処するため、最近の研究は別々に行われ、不正確な点雲を密度化、復調し、完全な不正確な点雲を観測している。
本研究では,1) 初期密度化とデノナイズのための3次元スパース集積時間ガラスネットワーク,2) 離散ボクセルを3Dポイントに変換するトランスフォーマーによる改良,の2段階からなる深部点雲再構成ネットワークを提案する。
論文 参考訳(メタデータ) (2021-11-23T07:53:28Z) - FatNet: A Feature-attentive Network for 3D Point Cloud Processing [1.502579291513768]
本稿では,グローバルポイントベースの機能とエッジベースの機能を組み合わせた,新たな機能指向ニューラルネットワーク層であるfat layerを提案する。
当社のアーキテクチャは,ModelNet40データセットで示すように,ポイントクラウド分類のタスクにおける最先端の成果を達成する。
論文 参考訳(メタデータ) (2021-04-07T23:13:56Z) - 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) - Point Cloud Completion by Skip-attention Network with Hierarchical
Folding [61.59710288271434]
本研究では,3Dポイントクラウド補完のためのSkip-Attention Network (SA-Net)を提案する。
まず,不完全点雲の局所構造を効果的に活用するためのスキップアテンション機構を提案する。
第二に、異なる解像度でスキップアテンション機構によって符号化された選択された幾何情報を完全に活用するために、新しい構造保存デコーダを提案する。
論文 参考訳(メタデータ) (2020-05-08T06:23:51Z) - PF-Net: Point Fractal Network for 3D Point Cloud Completion [6.504317278066694]
ポイントフラクタルネットワーク(PF-Net)は、正確かつ高忠実なポイントクラウド補完のための新しい学習ベースのアプローチである。
PF-Netは不完全点雲の空間配置を保存し、その予測において欠落領域の詳細な幾何学的構造を把握できる。
本実験は,いくつかの難点クラウド完了タスクにおいて,本手法の有効性を示すものである。
論文 参考訳(メタデータ) (2020-03-01T05:40:21Z)
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。