Fugu-MT 論文翻訳(概要): Neighbourhood-Insensitive Point Cloud Normal Estimation Network

論文の概要: Neighbourhood-Insensitive Point Cloud Normal Estimation Network

arxiv url: http://arxiv.org/abs/2008.09965v3
Date: Fri, 15 Jan 2021 11:01:58 GMT
ステータス: 処理完了
システム内更新日: 2022-10-26 03:02:51.350081
Title: Neighbourhood-Insensitive Point Cloud Normal Estimation Network
Title（参考訳）: 近隣無感点雲正規推定ネットワーク
Authors: Zirui Wang, Victor Adrian Prisacariu
Abstract要約: 本稿では,新たな自己注意に基づく正規推定ネットワークを提案する。温度パラメータを学習することで、関連点にソフトフォーカスし、ソフトネスを調整することができる。我々のモデルは、既存のすべての正規推定アルゴリズムを大きなマージンで上回る。
参考スコア（独自算出の注目度）: 19.015903212748388
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We introduce a novel self-attention-based normal estimation network that is able to focus softly on relevant points and adjust the softness by learning a temperature parameter, making it able to work naturally and effectively within a large neighbourhood range. As a result, our model outperforms all existing normal estimation algorithms by a large margin, achieving 94.1% accuracy in comparison with the previous state of the art of 91.2%, with a 25x smaller model and 12x faster inference time. We also use point-to-plane Iterative Closest Point (ICP) as an application case to show that our normal estimations lead to faster convergence than normal estimations from other methods, without manually fine-tuning neighbourhood range parameters. Code available at https://code.active.vision.
Abstract（参考訳）: 本研究では, 温度パラメータを学習することで, ゆるやかに関連点に焦点を合わせ, 柔らかさを調整できる新しい自己着地型正規推定ネットワークを提案する。その結果、既存の正規推定アルゴリズムを大差で上回り、従来の91.2%に比べて94.1%の精度となり、25倍小さいモデルと12倍の高速化が達成された。また,平均推定値が,手作業で近傍範囲パラメータを微調整することなく,他の手法の通常の推定値よりも高速に収束することを示すための応用例として,平面間反復的最接近点(icp)を用いた。コードはhttps://code.active.vision.com/で利用可能。

関連論文リスト

Robust Representation Consistency Model via Contrastive Denoising [83.47584074390842]
ランダムな平滑化は、敵の摂動に対する堅牢性を証明する理論的保証を提供する。拡散モデルは、ノイズ摂動サンプルを浄化するためにランダムな平滑化に成功している。我々は,画素空間における拡散軌跡に沿った生成的モデリングタスクを,潜在空間における識別的タスクとして再構成する。
論文参考訳（メタデータ） (2025-01-22T18:52:06Z)
OCMG-Net: Neural Oriented Normal Refinement for Unstructured Point Clouds [18.234146052486054]
非構造点雲から指向性正規項を推定するための頑健な精錬法を提案する。我々のフレームワークは、初期指向の正規性を洗練させるために、特徴空間に符号配向とデータ拡張を組み込んでいる。従来手法に存在した騒音による方向の不整合の問題に対処するため, チャンファー正規距離と呼ばれる新しい指標を導入する。
論文参考訳（メタデータ） (2024-09-02T09:30:02Z)
CMG-Net: Robust Normal Estimation for Point Clouds via Chamfer Normal Distance and Multi-scale Geometry [23.86650228464599]
この研究は、点雲から正規度を推定するための正確で堅牢な方法を示す。まず,この問題に対処するため,シャンファー正規距離(Chamfer Normal Distance)と呼ばれる新しい尺度を提案する。マルチスケールな局所的特徴集約と階層的幾何情報融合を含む革新的なアーキテクチャを考案する。
論文参考訳（メタデータ） (2023-12-14T17:23:16Z)
NeuralGF: Unsupervised Point Normal Estimation by Learning Neural Gradient Function [55.86697795177619]
3次元点雲の正規推定は3次元幾何処理の基本的な課題である。我々は,ニューラルネットワークが入力点雲に適合することを奨励する,ニューラルグラデーション関数の学習のための新しいパラダイムを導入する。広範に使用されているベンチマークの優れた結果から,本手法は非指向性および指向性正常推定タスクにおいて,より正確な正規性を学習できることが示されている。
論文参考訳（メタデータ） (2023-11-01T09:25:29Z)
Neural Gradient Learning and Optimization for Oriented Point Normal Estimation [53.611206368815125]
本研究では,3次元点雲から勾配ベクトルを一貫した向きで学習し,正規推定を行うためのディープラーニング手法を提案する。局所平面幾何に基づいて角距離場を学習し、粗勾配ベクトルを洗練する。本手法は,局所特徴記述の精度と能力の一般化を図りながら,グローバル勾配近似を効率的に行う。
論文参考訳（メタデータ） (2023-09-17T08:35:11Z)
Fast parameter estimation of Generalized Extreme Value distribution using Neural Networks [9.987055028382876]
一般的な極値分布は、洪水、干ばつ、熱波、山火事などの極端な事象をモデル化するための一般的な選択である。本稿では,ニューラルネットワークを用いた計算効率が高く,可能性のない推定手法を提案する。提案手法は,従来の最大値法と同等の精度でGEV分布パラメータの推定値を提供する。
論文参考訳（メタデータ） (2023-05-07T17:40:52Z)
Improvement of Normal Estimation for PointClouds via Simplifying Surface Fitting [12.559091712749279]
ニューラルネットワークとサーフェスフィッティングプロセスの整合性に対処し, 正常な推定を改善するための2つの簡単な効果戦略が提案されている。まず, 動的トップk選択戦略を導入し, 与えられたパッチの最も重要な点に焦点を合わせ, 学習方法によって選択された点が, 単純な接平面によって表面に適合する傾向がある。そこで我々は,パッチの鋭い境界を平滑化し,表面フィッティングプロセスを簡略化する局所表面フィッティング前の点更新戦略を提案する。
論文参考訳（メタデータ） (2021-04-21T06:13:29Z)
Amortized Conditional Normalized Maximum Likelihood: Reliable Out of Distribution Uncertainty Estimation [99.92568326314667]
本研究では,不確実性推定のための拡張性のある汎用的アプローチとして,償却条件正規化最大値(ACNML)法を提案する。提案アルゴリズムは条件付き正規化最大度(CNML)符号化方式に基づいており、最小記述長の原理に従って最小値の最適特性を持つ。我々は、ACNMLが、分布外入力のキャリブレーションの観点から、不確実性推定のための多くの手法と好意的に比較することを示した。
論文参考訳（メタデータ） (2020-11-05T08:04:34Z)
Variable Skipping for Autoregressive Range Density Estimation [84.60428050170687]
深部自己回帰モデルを用いた距離密度推定を高速化する手法である可変スキップについて述べる。可変スキップは、10-100$timesの効率向上をもたらすことを示す。
論文参考訳（メタデータ） (2020-07-10T19:01:40Z)
Entropic gradient descent algorithms and wide flat minima [6.485776570966397]
広い平坦領域に属する最小値に対応するベイズ最適点推定器が存在することを解析的に示す。解析を広範囲な数値検証により深層学習シナリオに拡張する。計算が容易な平坦度測定は、テスト精度と明確な相関を示す。
論文参考訳（メタデータ） (2020-06-14T13:22:19Z)
Stochastic batch size for adaptive regularization in deep network optimization [63.68104397173262]
ディープラーニングフレームワークにおける機械学習問題に適用可能な適応正規化を取り入れた一階最適化アルゴリズムを提案する。一般的なベンチマークデータセットに適用した従来のネットワークモデルに基づく画像分類タスクを用いて,提案アルゴリズムの有効性を実証的に実証した。
論文参考訳（メタデータ） (2020-04-14T07:54:53Z)

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。