論文の概要: Learning Graph-Convolutional Representations for Point Cloud Denoising
- arxiv url: http://arxiv.org/abs/2007.02578v1
- Date: Mon, 6 Jul 2020 08:11:28 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-13 03:20:57.054929
- Title: Learning Graph-Convolutional Representations for Point Cloud Denoising
- Title(参考訳): Point Cloud Denoisingのためのグラフ畳み込み表現の学習
- Authors: Francesca Pistilli, Giulia Fracastoro, Diego Valsesia, Enrico Magli
- Abstract要約: 本稿では,学習ベースのポイントクラウド処理手法で発生する置換不変問題に対処可能なディープニューラルネットワークを提案する。
ネットワークは完全に畳み込み可能で、近傍グラフを動的に構築することで、機能の複雑な階層を構築することができる。
特に高騒音レベルと実LiDARスキャンで遭遇したような構造ノイズの存在の両方において堅牢である。
- 参考スコア(独自算出の注目度): 31.557988478764997
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Point clouds are an increasingly relevant data type but they are often
corrupted by noise. We propose a deep neural network based on
graph-convolutional layers that can elegantly deal with the
permutation-invariance problem encountered by learning-based point cloud
processing methods. The network is fully-convolutional and can build complex
hierarchies of features by dynamically constructing neighborhood graphs from
similarity among the high-dimensional feature representations of the points.
When coupled with a loss promoting proximity to the ideal surface, the proposed
approach significantly outperforms state-of-the-art methods on a variety of
metrics. In particular, it is able to improve in terms of Chamfer measure and
of quality of the surface normals that can be estimated from the denoised data.
We also show that it is especially robust both at high noise levels and in
presence of structured noise such as the one encountered in real LiDAR scans.
- Abstract(参考訳): ポイントクラウドは、ますます関連性の高いデータタイプであるが、ノイズによってしばしば破損する。
本稿では,グラフ畳み込み層に基づく深層ニューラルネットワークを提案する。
ネットワークは完全畳み込みであり、点の高次元特徴表現間の類似性から近傍グラフを動的に構築することで、複雑な特徴階層を構築することができる。
理想曲面への近接を促進する損失と組み合わせると、提案手法は様々な測定値の最先端手法を大幅に上回る。
特に、Chamfer測度や、偏微分データから推定できる表面正規値の品質の観点から改善することができる。
また,高ノイズレベルと実際のライダースキャンで発生するような構造化雑音の存在の両方において,特に頑健であることを示す。
関連論文リスト
- Arbitrary-Scale Point Cloud Upsampling by Voxel-Based Network with
Latent Geometric-Consistent Learning [52.825441454264585]
Voxel-based Network (textbfPU-VoxelNet) を用いた任意のスケールのクラウド・アップサンプリング・フレームワークを提案する。
ボクセル表現から継承された完全性と規則性により、ボクセルベースのネットワークは3次元表面を近似する事前定義されたグリッド空間を提供することができる。
密度誘導グリッド再サンプリング法を開発し、高忠実度点を生成するとともに、サンプリング出力を効果的に回避する。
論文 参考訳(メタデータ) (2024-03-08T07:31:14Z) - Deep Manifold Graph Auto-Encoder for Attributed Graph Embedding [51.75091298017941]
本稿では,属性付きグラフデータに対する新しいDeep Manifold (Variational) Graph Auto-Encoder (DMVGAE/DMGAE)を提案する。
提案手法は,最先端のベースラインアルゴリズムを,一般的なデータセット間でのダウンストリームタスクの差を大きく越える。
論文 参考訳(メタデータ) (2024-01-12T17:57:07Z) - Point Cloud Denoising and Outlier Detection with Local Geometric
Structure by Dynamic Graph CNN [0.0]
ポイントクラウドは3D空間のメディアフォーマットとして注目されている。
PointCleanNetは、ポイントクラウドのデnoisingとoutlier Detectionに有効な方法である。
動的グラフCNNに基づいて設計された2種類のグラフ畳み込み層を提案する。
論文 参考訳(メタデータ) (2023-10-11T10:50:15Z) - Implicit neural representation for change detection [15.741202788959075]
点雲の変化を検出する最も一般的なアプローチは、教師付き手法に基づいている。
Inlicit Neural Representation (INR) for continuous shape reconstruction と Gaussian Mixture Model for categorising change の2つのコンポーネントからなる教師なしアプローチを提案する。
本手法を都市スプロールのためのシミュレーションLiDAR点雲からなるベンチマークデータセットに適用する。
論文 参考訳(メタデータ) (2023-07-28T09:26:00Z) - GraphFit: Learning Multi-scale Graph-Convolutional Representation for
Point Cloud Normal Estimation [31.40738037512243]
本研究では,非構造3次元点雲の高精度かつ効率的な正規推定法を提案する。
我々は、より局所的な近傍幾何学を強調する正規推定のためのグラフ畳み込み特徴表現を学習する。
提案手法は,様々なベンチマークデータセットにおいて,最先端の精度で競合より優れる。
論文 参考訳(メタデータ) (2022-07-23T10:29:26Z) - PD-Flow: A Point Cloud Denoising Framework with Normalizing Flows [20.382995180671205]
ポイント・クラウド・デノゲーション(Point cloud denoising)は、ノイズや外れ値によって破損した生の観測からクリーン・ポイント・クラウドを復元することを目的としている。
本稿では,正規化フローとノイズ分散手法を取り入れた,ディープラーニングに基づく新しいDenoisingモデルを提案する。
論文 参考訳(メタデータ) (2022-03-11T14:17:58Z) - Local Augmentation for Graph Neural Networks [78.48812244668017]
本稿では,局所的な部分グラフ構造によりノード特性を向上する局所拡張を提案する。
局所的な拡張に基づいて、プラグイン・アンド・プレイ方式で任意のGNNモデルに適用可能な、LA-GNNという新しいフレームワークをさらに設計する。
論文 参考訳(メタデータ) (2021-09-08T18:10:08Z) - An Efficient Hypergraph Approach to Robust Point Cloud Resampling [57.49817398852218]
ハイパーグラフ信号処理(hgsp)に基づくポイントクラウド再サンプリングの検討
点群の信号ノード間の多面的な相互作用を捕捉するハイパーグラフスペクトルフィルタを設計する。
実験の結果, 点雲のハイパーグラフ解析の有効性が検証された。
論文 参考訳(メタデータ) (2021-03-11T23:19:54Z) - Deep Magnification-Flexible Upsampling over 3D Point Clouds [103.09504572409449]
本稿では,高密度点雲を生成するためのエンドツーエンド学習ベースのフレームワークを提案する。
まずこの問題を明示的に定式化し、重みと高次近似誤差を判定する。
そこで我々は,高次改良とともに,統一重みとソート重みを適応的に学習する軽量ニューラルネットワークを設計する。
論文 参考訳(メタデータ) (2020-11-25T14:00:18Z) - Differentiable Manifold Reconstruction for Point Cloud Denoising [23.33652755967715]
3次元点雲は、取得装置の固有の制限のため、ノイズによって乱されることが多い。
雑音のある点の雲の基底多様体を、異なる部分標本化点から学習することを提案する。
提案手法は, 合成雑音と実環境騒音の両面において, 最先端の復調法を著しく上回ることを示す。
論文 参考訳(メタデータ) (2020-07-27T13:31:41Z) - Beyond Dropout: Feature Map Distortion to Regularize Deep Neural
Networks [107.77595511218429]
本稿では,ディープニューラルネットワークの中間層に関連する実験的なRademacher複雑性について検討する。
上記の問題に対処するための特徴歪み法(Disout)を提案する。
より高い試験性能を有するディープニューラルネットワークを作製するための特徴写像歪みの優位性を解析し、実証した。
論文 参考訳(メタデータ) (2020-02-23T13:59:13Z)
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。