論文の概要: Progressive Point Cloud Deconvolution Generation Network
- arxiv url: http://arxiv.org/abs/2007.05361v1
- Date: Fri, 10 Jul 2020 13:07:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-11 22:08:00.564590
- Title: Progressive Point Cloud Deconvolution Generation Network
- Title(参考訳): プログレッシブポイントクラウドデコンボリューション生成ネットワーク
- Authors: Le Hui, Rui Xu, Jin Xie, Jianjun Qian, Jian Yang
- Abstract要約: 潜在ベクトルから同一形状の多分解能点雲を生成できる有効点雲生成法を提案する。
局所的特徴写像と大域的特徴写像の異なる分解能を結合することにより、多層パーセプトロンを生成ネットワークとして利用し、多層点雲を生成する。
点雲の異なる分解能の形状を一定に保つため, 点雲デコンボリューション生成ネットワークをトレーニングするための形状保存対向損失を提案する。
- 参考スコア(独自算出の注目度): 37.50448637246364
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we propose an effective point cloud generation method, which
can generate multi-resolution point clouds of the same shape from a latent
vector. Specifically, we develop a novel progressive deconvolution network with
the learning-based bilateral interpolation. The learning-based bilateral
interpolation is performed in the spatial and feature spaces of point clouds so
that local geometric structure information of point clouds can be exploited.
Starting from the low-resolution point clouds, with the bilateral interpolation
and max-pooling operations, the deconvolution network can progressively output
high-resolution local and global feature maps. By concatenating different
resolutions of local and global feature maps, we employ the multi-layer
perceptron as the generation network to generate multi-resolution point clouds.
In order to keep the shapes of different resolutions of point clouds
consistent, we propose a shape-preserving adversarial loss to train the point
cloud deconvolution generation network. Experimental results demonstrate the
effectiveness of our proposed method.
- Abstract(参考訳): 本論文では,同じ形状の多解像度点雲を潜在ベクトルから生成できる有効点雲生成法を提案する。
具体的には,学習に基づく双方向補間を用いた新しいプログレッシブデコンボリューションネットワークを開発する。
学習に基づく双方向補間は点雲の空間的・特徴空間において行われ、点雲の局所幾何構造情報を活用できる。
低解像度の点雲から始まり、両側の補間と最大プール操作により、デコンボリューションネットワークは、高分解能の局所的および大域的な特徴マップを徐々に出力することができる。
局所的特徴マップと大域的特徴マップの異なる分解能を結合することにより,マルチレイヤ・パーセプトロンを生成ネットワークとして活用し,マルチレゾリューション・ポイント・クラウドを生成する。
点雲の異なる解像度の形状を一定に保つために,点雲逆畳み生成ネットワークを訓練するための形状保存逆損失を提案する。
実験の結果,提案手法の有効性が示された。
関連論文リスト
- Point Cloud Compression with Implicit Neural Representations: A Unified Framework [54.119415852585306]
我々は幾何学と属性の両方を扱える先駆的なクラウド圧縮フレームワークを提案する。
本フレームワークでは,2つの座標ベースニューラルネットワークを用いて,voxelized point cloudを暗黙的に表現する。
本手法は,既存の学習手法と比較して,高い普遍性を示す。
論文 参考訳(メタデータ) (2024-05-19T09:19:40Z) - Patch-Wise Point Cloud Generation: A Divide-and-Conquer Approach [83.05340155068721]
分割・分散アプローチを用いた新しい3dポイントクラウド生成フレームワークを考案する。
すべてのパッチジェネレータは学習可能な事前情報に基づいており、幾何学的プリミティブの情報を取得することを目的としている。
最も人気のあるポイントクラウドデータセットであるShapeNetのさまざまなオブジェクトカテゴリに関する実験結果は、提案したパッチワイドポイントクラウド生成の有効性を示している。
論文 参考訳(メタデータ) (2023-07-22T11:10:39Z) - Learning Neural Volumetric Field for Point Cloud Geometry Compression [13.691147541041804]
我々は、ニューラルネットワークを学習することで、与えられた点雲の幾何学をコーディングすることを提案する。
空間全体を小さな立方体に分割し,各空でない立方体をニューラルネットワークと入力潜時符号で表現する。
ネットワークは、空間的および時間的冗長性を利用するために、1つのフレームまたは複数のフレームで全ての立方体間で共有される。
論文 参考訳(メタデータ) (2022-12-11T19:55:24Z) - 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) - Differentiable Convolution Search for Point Cloud Processing [114.66038862207118]
本稿では,点雲上での新しい差分畳み込み探索パラダイムを提案する。
純粋にデータ駆動型であり、幾何学的形状モデリングに適した畳み込みのグループを自動生成することができる。
また,内部畳み込みと外部アーキテクチャの同時探索のための共同最適化フレームワークを提案する。
論文 参考訳(メタデータ) (2021-08-29T14:42:03Z) - Self-Sampling for Neural Point Cloud Consolidation [83.31236364265403]
本稿では,入力点クラウドのみから学習するニューラルポイントクラウドの統合技術を紹介する。
入力ポイントクラウドを、ディープニューラルネットワークのトレーニングに使用するグローバルサブセットで、繰り返し自己サンプルします。
様々な形状から点集合を集約する能力を示すとともに,出力器やノイズを除去する能力を示す。
論文 参考訳(メタデータ) (2020-08-14T17:16:02Z) - 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)
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。