論文の概要: Differentiable Manifold Reconstruction for Point Cloud Denoising

• arxiv url: http://arxiv.org/abs/2007.13551v2
• Date: Sun, 9 Aug 2020 09:23:44 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-06 08:46:06.261506
• Title: Differentiable Manifold Reconstruction for Point Cloud Denoising
• Title（参考訳）: 点雲復調のための微分マニフォールド再構成
• Authors: Shitong Luo, Wei Hu
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 23.33652755967715
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: 3D point clouds are often perturbed by noise due to the inherent limitation of acquisition equipments, which obstructs downstream tasks such as surface reconstruction, rendering and so on. Previous works mostly infer the displacement of noisy points from the underlying surface, which however are not designated to recover the surface explicitly and may lead to sub-optimal denoising results. To this end, we propose to learn the underlying manifold of a noisy point cloud from differentiably subsampled points with trivial noise perturbation and their embedded neighborhood feature, aiming to capture intrinsic structures in point clouds. Specifically, we present an autoencoder-like neural network. The encoder learns both local and non-local feature representations of each point, and then samples points with low noise via an adaptive differentiable pooling operation. Afterwards, the decoder infers the underlying manifold by transforming each sampled point along with the embedded feature of its neighborhood to a local surface centered around the point. By resampling on the reconstructed manifold, we obtain a denoised point cloud. Further, we design an unsupervised training loss, so that our network can be trained in either an unsupervised or supervised fashion. Experiments show that our method significantly outperforms state-of-the-art denoising methods under both synthetic noise and real world noise. The code and data are available at https://github.com/luost26/DMRDenoise
• Abstract（参考訳）: 3次元点雲は、表面再構成やレンダリングなどの下流のタスクを妨害する、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。 従来の作業は、主に下面からノイズ点の変位を推測するが、表面を明示的に回復するために指定されていないため、準最適化の結果につながる可能性がある。 そこで本論文では,ノイズ摂動と組込み近傍特徴を持つ可微分部分サンプリングされた点から雑音点雲の基本多様体を学習し,点雲内の固有構造を捉えることを目的とする。 具体的には,オートエンコーダライクなニューラルネットワークを提案する。 エンコーダは各点の局所的特徴表現と非局所的特徴表現の両方を学習し、適応的微分可能プーリング操作を介して低ノイズの点をサンプリングする。 その後、デコーダは、各サンプル点をその近傍の埋め込み特徴と共に、その点を中心とする局所曲面に変換することにより、基礎となる多様体を推定する。 再構成多様体上の再サンプリングにより、偏微分点雲が得られる。 さらに、教師なしのトレーニング損失を設計し、教師なしまたは教師なしの方法でネットワークをトレーニングできるようにする。 提案手法は, 合成雑音と実環境雑音の両方において, 最先端のデノイジング法を著しく上回ることを示す実験を行った。 コードとデータはhttps://github.com/luost26/dmrdenoiseで入手できる。

関連論文リスト

• Fast Learning of Signed Distance Functions from Noisy Point Clouds via Noise to Noise Mapping [54.38209327518066]
  点雲から符号付き距離関数を学習することは、3Dコンピュータビジョンにおいて重要な課題である。 クリーンポイントクラウドや地上の真理監督を必要としないノイズ・ノイズマッピングを用いてSDFを学習することを提案する。 我々の新しい特徴はノイズ・ト・ノイズマッピングにあり、1つの物体やシーンの高精度なSDFを、その多重または単一ノイズの観測から推測することができる。
  論文  参考訳（メタデータ） (2024-07-04T03:35:02Z)
• Mesh Denoising Transformer [104.5404564075393]
  Mesh Denoisingは、入力メッシュからノイズを取り除き、特徴構造を保存することを目的としている。 SurfaceFormerはTransformerベースのメッシュDenoisingフレームワークのパイオニアだ。 局所曲面記述子(Local Surface Descriptor)として知られる新しい表現は、局所幾何学的複雑さをキャプチャする。 Denoising Transformerモジュールは、マルチモーダル情報を受信し、効率的なグローバル機能アグリゲーションを実現する。
  論文  参考訳（メタデータ） (2024-05-10T15:27:43Z)
• Few-shot point cloud reconstruction and denoising via learned Guassian splats renderings and fine-tuned diffusion features [52.62053703535824]
  本稿では,少数の画像から点雲を再構成し,そのレンダリングから点雲を識別する手法を提案する。 制約条件下での再構成を改善するため,ハイブリッド表面と外観の相違点のトレーニングを規則化する。 これらの学習したフィルタを使って、3Dの監督なしに来る点雲ノイズを除去する方法を実証する。
  論文  参考訳（メタデータ） (2024-04-01T13:38:16Z)
• Learning Signed Distance Functions from Noisy 3D Point Clouds via Noise to Noise Mapping [52.25114448281418]
  3Dポイントクラウドから署名付き距離関数(SDF)を学習することは、3Dコンピュータビジョンにおいて重要な課題である。 クリーンポイントクラウドや地上の真実管理を必要とせず,ノイズからノイズへのマッピングを通じてSDFを学習することを提案する。 我々の新しい特徴はノイズ・ト・ノイズマッピングにあり、1つの物体やシーンの高度に正確なSDFを、その多重または単一ノイズの点雲観測から推測することができる。
  論文  参考訳（メタデータ） (2023-06-02T09:52:04Z)
• NoiseTrans: Point Cloud Denoising with Transformers [4.143032261649984]
  我々は,変圧器エンコーダアーキテクチャをポイントクラウドデノーミングに用いる新しいモデルであるNossTransを設計する。 我々は変圧器の中核自己保持機構の助けを借りて点ベースの点雲の構造的類似性を得る。 実験により,本モデルが各種データセットや騒音環境における最先端手法より優れていることが示された。
  論文  参考訳（メタデータ） (2023-04-24T04:01:23Z)
• Semi-signed neural fitting for surface reconstruction from unoriented point clouds [53.379712818791894]
  より優れた符号付き距離場を再構成するためのSN-Fittingを提案する。 SSNフィッティングは半署名の監督と損失に基づく領域サンプリング戦略で構成されている。 我々は,SSN-Fittingが,異なる設定下で最先端の性能を達成することを示す実験を行う。
  論文  参考訳（メタデータ） (2022-06-14T09:40:17Z)
• 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)
• Score-Based Point Cloud Denoising [26.090445369658312]
  走査装置から取得した点雲は、しばしばノイズによって乱れ、表面の再構成や解析のような下流のタスクに影響を及ぼす。 我々は,各点の位置を反復的に更新することにより,各点のログ類似度を,勾配上昇による$p * n$から増加させることを提案する。 ネットワークを訓練する目的関数を導出し,推定したスコアを活かした復調アルゴリズムを開発する。
  論文  参考訳（メタデータ） (2021-07-23T01:13:03Z)
• Learning Graph-Convolutional Representations for Point Cloud Denoising [31.557988478764997]
  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。
  論文  参考訳（メタデータ） (2020-07-06T08:11:28Z)
• Non-Local Part-Aware Point Cloud Denoising [55.50360085086123]
  本稿では,点群を識別する非局所部分認識ディープニューラルネットワークを提案する。 グラフアテンションモジュールでカスタマイズした非局所学習ユニット(NLU)を設計し、非局所意味論的特徴を適応的にキャプチャする。 雑音発生性能を向上させるため,ノイズ特性をノイズ入力から段階的に抽出するために,一連のNLUをカスケードする。
  論文  参考訳（メタデータ） (2020-03-14T13:51:50Z)

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。