論文の概要: Wireless 3D Point Cloud Delivery Using Deep Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2006.09835v1
• Date: Wed, 17 Jun 2020 13:10:56 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-19 21:40:13.307533
• Title: Wireless 3D Point Cloud Delivery Using Deep Graph Neural Networks
• Title（参考訳）: ディープグラフニューラルネットワークを用いたワイヤレス3Dポイントクラウド配信
• Authors: Takuya Fujihashi, Toshiaki Koike-Akino, Siheng Chen, Takashi Watanabe
• Abstract要約: より優れた品質と通信オーバーヘッドの低減を実現するための,ソフトポイントクラウド配信のための新しいスキームを提案する。 提案手法では,グラフニューラルネットワーク(GNN)に基づく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を導入し,高品質な点雲を再構築する。 提案手法により,低オーバーヘッドでクリーンな3次元点雲を再構成し,フェージングやノイズ効果を除去できることを示す。
• 参考スコア（独自算出の注目度）: 38.315134707438446
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In typical point cloud delivery, a sender uses octree-based digital video compression to send three-dimensional (3D) points and color attributes over band-limited links. However, the digital-based schemes have an issue called the cliff effect, where the 3D reconstruction quality will be a step function in terms of wireless channel quality. To prevent the cliff effect subject to channel quality fluctuation, we have proposed soft point cloud delivery called HoloCast. Although the HoloCast realizes graceful quality improvement according to wireless channel quality, it requires large communication overheads. In this paper, we propose a novel scheme for soft point cloud delivery to simultaneously realize better quality and lower communication overheads. The proposed scheme introduces an end-to-end deep learning framework based on graph neural network (GNN) to reconstruct high-quality point clouds from its distorted observation under wireless fading channels. We demonstrate that the proposed GNN-based scheme can reconstruct clean 3D point cloud with low overheads by removing fading and noise effects.
• Abstract（参考訳）: 典型的なポイントクラウド配信では、送信者はオクツリーベースのデジタルビデオ圧縮を使用して3次元(3D)ポイントとカラー属性を帯域制限リンク上で送信する。 しかし、デジタルベースのスキームには「クリフ効果」という問題があり、3d復元の質は無線回線品質の段階的な機能となる。 チャネル品質の変動によるクリフ効果を防止するため,我々はholocastと呼ばれるソフトポイントクラウド配信を提案する。 HoloCastは、無線チャンネルの品質に応じて優れた品質改善を実現するが、通信オーバーヘッドが大きい。 本稿では,より優れた品質と低い通信オーバーヘッドを同時に実現するための,ソフトポイントクラウド配信方式を提案する。 提案手法では,無線フェージングチャネル下での歪み観測から高品質な点雲を再構成するグラフニューラルネットワーク(GNN)に基づく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を提案する。 提案手法により,低オーバーヘッドでクリーンな3次元点雲を再構成し,フェージングやノイズ効果を除去できることを示す。

関連論文リスト

• Bits-to-Photon: End-to-End Learned Scalable Point Cloud Compression for Direct Rendering [10.662358423042274]
  我々は,レンダリング可能な3Dガウスアンに直接デコード可能なビットストリームを生成するポイントクラウド圧縮スキームを開発した。 提案手法はスケーラブルなビットストリームを生成し,異なるビットレート範囲で複数の詳細レベルを実現する。 提案手法は,高品質な点雲のリアルタイムカラーデコーディングとレンダリングをサポートし,自由視点でインタラクティブな3Dストリーミングアプリケーションを実現する。
  論文  参考訳（メタデータ） (2024-06-09T20:58:32Z)
• 4DSR-GCN: 4D Video Point Cloud Upsampling using Graph Convolutional Networks [29.615723135027096]
  圧縮後の3次元ビデオポイント雲のアップスケーリングと復元のための新しいソリューションを提案する。 我々のモデルは、動的エッジ畳み込みとグラフ注意ネットワークを組み合わせた、特別に設計されたグラフ畳み込みネットワーク(GCN)で構成されている。
  論文  参考訳（メタデータ） (2023-06-01T18:43:16Z)
• Points2NeRF: Generating Neural Radiance Fields from 3D point cloud [0.0]
  ニューラルラジアンス場(NeRF)として3次元物体を表現することを提案する。 ハイパーネットワークのパラダイムを活用して、モデルをトレーニングして、関連するカラー値を持つ3Dポイントクラウドを取ります。 提案手法は効率的な3次元オブジェクト表現を提供し,既存手法に対するいくつかの利点を提供する。
  論文  参考訳（メタデータ） (2022-06-02T20:23:33Z)
• 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)
• Graphite: GRAPH-Induced feaTure Extraction for Point Cloud Registration [80.69255347486693]
  我々は、シンプルな機能とキーポイント検出器である Graph-induced feaTure extract Pipeline を導入する。 我々は,点クラウド領域を記述し,有意な点を抽出する汎用的なグラフベース学習手法を構築した。 我々は3Dキーポイントパイプラインをグラフニューラルネットワークで再構成し、ポイントセットの効率的な処理を可能にする。
  論文  参考訳（メタデータ） (2020-10-18T19:41:09Z)
• Pseudo-LiDAR Point Cloud Interpolation Based on 3D Motion Representation and Spatial Supervision [68.35777836993212]
  我々はPseudo-LiDAR点雲ネットワークを提案し、時間的および空間的に高品質な点雲列を生成する。 点雲間のシーンフローを活用することにより,提案ネットワークは3次元空間運動関係のより正確な表現を学習することができる。
  論文  参考訳（メタデータ） (2020-06-20T03:11:04Z)
• GRNet: Gridding Residual Network for Dense Point Cloud Completion [54.43648460932248]
  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。
  論文  参考訳（メタデータ） (2020-06-06T02:46:39Z)
• PV-RCNN: Point-Voxel Feature Set Abstraction for 3D Object Detection [76.30585706811993]
  我々はPointVoxel-RCNN(PV-RCNN)という新しい高性能な3Dオブジェクト検出フレームワークを提案する。 提案手法は3次元ボクセル畳み込みニューラルネットワーク(CNN)とPointNetベースの集合抽象化の両方を深く統合する。 3DボクセルCNNの効率的な学習と高品質な提案と、PointNetベースのネットワークのフレキシブル・レセプティブ・フィールドを利用する。
  論文  参考訳（メタデータ） (2019-12-31T06:34:10Z)

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。