論文の概要: Pseudo-LiDAR Point Cloud Interpolation Based on 3D Motion Representation
and Spatial Supervision
- arxiv url: http://arxiv.org/abs/2006.11481v1
- Date: Sat, 20 Jun 2020 03:11:04 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-18 22:56:55.877862
- Title: Pseudo-LiDAR Point Cloud Interpolation Based on 3D Motion Representation
and Spatial Supervision
- Title（参考訳）: 3次元運動表現と空間スーパービジョンに基づく擬似LiDAR点雲補間
- Authors: Haojie Liu, Kang Liao, Chunyu Lin, Yao Zhao and Yulan Guo
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 68.35777836993212
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Pseudo-LiDAR point cloud interpolation is a novel and challenging task in the
field of autonomous driving, which aims to address the frequency mismatching
problem between camera and LiDAR. Previous works represent the 3D spatial
motion relationship induced by a coarse 2D optical flow, and the quality of
interpolated point clouds only depends on the supervision of depth maps. As a
result, the generated point clouds suffer from inferior global distributions
and local appearances. To solve the above problems, we propose a Pseudo-LiDAR
point cloud interpolation network to generates temporally and spatially
high-quality point cloud sequences. By exploiting the scene flow between point
clouds, the proposed network is able to learn a more accurate representation of
the 3D spatial motion relationship. For the more comprehensive perception of
the distribution of point cloud, we design a novel reconstruction loss function
that implements the chamfer distance to supervise the generation of
Pseudo-LiDAR point clouds in 3D space. In addition, we introduce a multi-modal
deep aggregation module to facilitate the efficient fusion of texture and depth
features. As the benefits of the improved motion representation, training loss
function, and model structure, our approach gains significant improvements on
the Pseudo-LiDAR point cloud interpolation task. The experimental results
evaluated on KITTI dataset demonstrate the state-of-the-art performance of the
proposed network, quantitatively and qualitatively.
- Abstract（参考訳）: Pseudo-LiDAR点雲補間は、カメラとLiDARの周波数ミスマッチ問題に対処することを目的として、自律運転分野における新しい課題である。
従来の作業は粗い2次元光流によって誘導される3次元空間運動関係を表しており、補間点雲の品質は深度マップの監督にのみ依存する。
その結果、生成した点雲は、グローバル分布の低下と局所的な外観に苦しむ。
そこで本研究では,空間的かつ空間的に高品質な点雲列を生成する疑似ライダーポイントクラウド補間ネットワークを提案する。
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。
本研究では,3次元空間における擬似LiDAR点雲の生成を監督するために,チャンファー距離を実装する新しい再構成損失関数を設計する。
さらに,テクスチャと深度の特徴を効率的に融合させるため,マルチモーダルなディープアグリゲーションモジュールを導入する。
動作表現の改善,訓練損失関数,モデル構造の利点として,Pseudo-LiDAR点雲補間タスクにおいて,本手法は大幅に改善される。
kittiデータセットで評価した実験結果は,提案するネットワークの定量的・質的性能を示すものである。
関連論文リスト
- FASTC: A Fast Attentional Framework for Semantic Traversability Classification Using Point Cloud [7.711666704468952]
点雲を用いたトラバーサビリティ評価の問題に対処する。
本稿では,垂直に配置された点雲から特徴を捉えるために PointNet を利用した柱状特徴抽出モジュールを提案する。
次に、LIDAR点雲の密度問題に適切に対応できる多フレーム情報を融合する新しい時間的アテンションモジュールを提案する。
論文 参考訳（メタデータ） (2024-06-24T12:01:55Z) - StarNet: Style-Aware 3D Point Cloud Generation [82.30389817015877]
StarNetは、マッピングネットワークを使用して高忠実度および3Dポイントクラウドを再構築し、生成することができる。
我々のフレームワークは、クラウドの再構築と生成タスクにおいて、様々なメトリクスで同等の最先端のパフォーマンスを達成します。
論文 参考訳（メタデータ） (2023-03-28T08:21:44Z) - IDEA-Net: Dynamic 3D Point Cloud Interpolation via Deep Embedding
Alignment [58.8330387551499]
我々は、点方向軌跡(すなわち滑らかな曲線)の推定として問題を定式化する。
本稿では,学習した時間的一貫性の助けを借りて問題を解消する,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IDEA-Netを提案する。
各種点群における本手法の有効性を実証し, 定量的かつ視覚的に, 最先端の手法に対する大幅な改善を観察する。
論文 参考訳（メタデータ） (2022-03-22T10:14:08Z) - 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) - Spherical Interpolated Convolutional Network with Distance-Feature
Density for 3D Semantic Segmentation of Point Clouds [24.85151376535356]
従来のグリッド形状の3次元畳み込み演算子を置き換えるために,球面補間畳み込み演算子を提案する。
提案手法は,ScanNetデータセットとParis-Lille-3Dデータセットで良好な性能を示す。
論文 参考訳（メタデータ） (2020-11-27T15:35:12Z) - 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)
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。