論文の概要: Surface Denoising based on Normal Filtering in a Robust Statistics Framework

• arxiv url: http://arxiv.org/abs/2007.00842v1
• Date: Thu, 2 Jul 2020 02:31:24 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-14 14:54:12.949931
• Title: Surface Denoising based on Normal Filtering in a Robust Statistics Framework
• Title（参考訳）: ロバスト統計枠組みにおける正規フィルタリングに基づく表面雑音化
• Authors: Sunil Kumar Yadav and Martin Skrodzki and Eric Zimmermann and Konrad Polthier
• Abstract要約: 3Dスキャナーを用いた表面取得プロセスではノイズは避けられない。 ノイズ除去処理(デノイング)は、表面正規化を先にフィルタリングすることで行うことができる。 多くの利用可能な denoising アルゴリズムでは、ノイズフリーな正規化の堅牢性が重要な要素である。
• 参考スコア（独自算出の注目度）: 2.294014185517203
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: During a surface acquisition process using 3D scanners, noise is inevitable and an important step in geometry processing is to remove these noise components from these surfaces (given as points-set or triangulated mesh). The noise-removal process (denoising) can be performed by filtering the surface normals first and by adjusting the vertex positions according to filtered normals afterwards. Therefore, in many available denoising algorithms, the computation of noise-free normals is a key factor. A variety of filters have been introduced for noise-removal from normals, with different focus points like robustness against outliers or large amplitude of noise. Although these filters are performing well in different aspects, a unified framework is missing to establish the relation between them and to provide a theoretical analysis beyond the performance of each method. In this paper, we introduce such a framework to establish relations between a number of widely-used nonlinear filters for face normals in mesh denoising and vertex normals in point set denoising. We cover robust statistical estimation with M-smoothers and their application to linear and non-linear normal filtering. Although these methods originate in different mathematical theories - which include diffusion-, bilateral-, and directional curvature-based algorithms - we demonstrate that all of them can be cast into a unified framework of robust statistics using robust error norms and their corresponding influence functions. This unification contributes to a better understanding of the individual methods and their relations with each other. Furthermore, the presented framework provides a platform for new techniques to combine the advantages of known filters and to compare them with available methods.
• Abstract（参考訳）: 3Dスキャナーを用いた表面取得プロセスでは、ノイズは避けられず、幾何学処理の重要なステップは、これらのノイズ成分をこれらの表面から除去することである。 除音処理(除音)は、まず表面の正常をフィルタリングし、その後にフィルターされた正常に応じて頂点位置を調整することで行うことができる。 したがって、多くの解法アルゴリズムでは、ノイズのない正規分布の計算が鍵となる。 ノイズ除去のための様々なフィルタが標準から導入され、外周に対するロバスト性や大きな雑音振幅といったフォーカスポイントが異なる。 これらのフィルタは様々な面において良好に機能するが、それらの関係を確立するための統一的なフレームワークが欠落し、各手法の性能を超える理論的解析を提供する。 本稿では,メッシュデノイジングの面正規化と点集合デノイジングの頂点正規化に広く使用されている多数の非線形フィルタの関係性を確立するための枠組みを提案する。 m-スモーザーを用いたロバストな統計推定と線形および非線形正規フィルタリングへの応用について述べる。 これらの手法は拡散・バイラテラル・方向曲率に基づくアルゴリズムを含む異なる数学的理論に起源があるが、ロバストな誤差ノルムと対応する影響関数を用いてロバスト統計の統一的な枠組みに全ての手法が組み入れられることを実証する。 この統一は、個々の方法とその相互関係をよりよく理解するのに役立つ。 さらに、提案フレームワークは、既知のフィルタの利点を組み合わせ、利用可能なメソッドと比較するための新しいテクニックのためのプラットフォームを提供する。

関連論文リスト

• Information limits and Thouless-Anderson-Palmer equations for spiked matrix models with structured noise [19.496063739638924]
  構造スパイクモデルに対するベイズ推定の飽和問題を考える。 適応的なThouless-Anderson-Palmer方程式の理論にインスパイアされた効率的なアルゴリズムを用いて、統計的限界を予測する方法を示す。
  論文  参考訳（メタデータ） (2024-05-31T16:38:35Z)
• Matrix Denoising with Doubly Heteroscedastic Noise: Fundamental Limits and Optimal Spectral Methods [24.06775799553418]
  本研究では,列相関と列相関の両方でノイズによって劣化したランク1$の信号の特異ベクトルを推定する行列記述問題について検討する。 本研究は,2つのヘテロセダスティックノイズを重畳した行列の,情報理論的およびアルゴリズム的限界を確立する。
  論文  参考訳（メタデータ） (2024-05-22T18:38:10Z)
• StraightPCF: Straight Point Cloud Filtering [50.66412286723848]
  ポイントクラウドフィルタリングは、基礎となるクリーンな表面を回復しながらノイズを取り除くことを目的とした、基本的な3Dビジョンタスクである。 我々は、ポイントクラウドフィルタリングのための新しいディープラーニングベースの方法であるStraightPCFを紹介する。 ノイズの多い点を直線に沿って移動させることで、離散化誤差を低減し、クリーン表面への高速な収束を保証する。
  論文  参考訳（メタデータ） (2024-05-14T05:41:59Z)
• First Order Methods with Markovian Noise: from Acceleration to Variational Inequalities [91.46841922915418]
  本稿では,一階変分法の理論解析のための統一的アプローチを提案する。 提案手法は非線形勾配問題とモンテカルロの強い問題の両方をカバーする。 凸法最適化問題の場合、オラクルに強く一致するような境界を与える。
  論文  参考訳（メタデータ） (2023-05-25T11:11:31Z)
• 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)
• The Optimal Noise in Noise-Contrastive Learning Is Not What You Think [80.07065346699005]
  この仮定から逸脱すると、実際により良い統計的推定結果が得られることが示される。 特に、最適な雑音分布は、データと異なり、また、別の家族からさえも異なる。
  論文  参考訳（メタデータ） (2022-03-02T13:59:20Z)
• Partial Identification with Noisy Covariates: A Robust Optimization Approach [94.10051154390237]
  観測データセットからの因果推論は、しばしば共変量の測定と調整に依存する。 このロバストな最適化手法により、広範囲な因果調整法を拡張し、部分的同定を行うことができることを示す。 合成および実データセット全体で、このアプローチは既存の手法よりも高いカバレッジ確率でATEバウンダリを提供する。
  論文  参考訳（メタデータ） (2022-02-22T04:24:26Z)
• A New Adaptive Noise Covariance Matrices Estimation and Filtering Method: Application to Multi-Object Tracking [6.571006663689735]
  カルマンフィルタは物体追跡に広く使われており、一般にプロセスと測定ノイズは正確に知られ、一定であると考えられている。 本稿では,Kalmanフィルタプロセスとノイズ共分散行列をオンラインで推定するための新しい推定補正閉ループ推定法を提案する。
  論文  参考訳（メタデータ） (2021-12-20T03:11:48Z)
• Noise-Resistant Deep Metric Learning with Probabilistic Instance Filtering [59.286567680389766]
  ノイズラベルは現実世界のデータによく見られ、ディープニューラルネットワークの性能劣化を引き起こす。 DMLのための確率的ランク付けに基づくメモリを用いたインスタンス選択(PRISM)手法を提案する。 PRISMはラベルがクリーンである確率を計算し、潜在的にノイズの多いサンプルをフィルタリングする。
  論文  参考訳（メタデータ） (2021-08-03T12:15:25Z)
• Solving Linear Inverse Problems Using the Prior Implicit in a Denoiser [7.7288480250888]
  我々は、ディープニューラルネットワークにおける暗黙の事前利用のための堅牢で一般的な手法を開発した。 ブラインド(ノイズレベルが未知の)を訓練したCNNが提示される。 このアルゴリズムの制約サンプリングへの一般化は、任意の線形逆問題を解決するために暗黙の手法を提供する。
  論文  参考訳（メタデータ） (2020-07-27T15:40:46Z)
• Dependency Aware Filter Pruning [74.69495455411987]
  重要でないフィルタを割ることは、推論コストを軽減するための効率的な方法である。 以前の作業は、その重み基準やそれに対応するバッチノームスケーリング要因に従ってフィルタをプルークする。 所望の空間性を達成するために,空間性誘導正規化を動的に制御する機構を提案する。
  論文  参考訳（メタデータ） (2020-05-06T07:41:22Z)

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。