論文の概要: Refinement of Predicted Missing Parts Enhance Point Cloud Completion

• arxiv url: http://arxiv.org/abs/2010.04278v1
• Date: Thu, 8 Oct 2020 22:01:23 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-09 13:01:27.260093
• Title: Refinement of Predicted Missing Parts Enhance Point Cloud Completion
• Title（参考訳）: 点雲完了による予測欠落部品のリファインメント
• Authors: Alexis Mendoza, Alexander Apaza, Ivan Sipiran, Cristian Lopez
• Abstract要約: 点雲完了は、部分的な観測から3次元形状の点集合表現を用いて完全な幾何学を予測するタスクである。 従来のアプローチでは、不完全点集合によって供給されるエンコーダ・デコーダモデルにより、点雲全体を直接推定するニューラルネットワークが提案されていた。 本稿では、欠落した幾何を計算し、既知の入力と予測点クラウドを融合することに焦点を当てたエンドツーエンドニューラルネットワークアーキテクチャを提案する。
• 参考スコア（独自算出の注目度）: 62.997667081978825
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Point cloud completion is the task of predicting complete geometry from partial observations using a point set representation for a 3D shape. Previous approaches propose neural networks to directly estimate the whole point cloud through encoder-decoder models fed by the incomplete point set. By predicting the complete model, the current methods compute redundant information because the output also contains the known incomplete input geometry. This paper proposes an end-to-end neural network architecture that focuses on computing the missing geometry and merging the known input and the predicted point cloud. Our method is composed of two neural networks: the missing part prediction network and the merging-refinement network. The first module focuses on extracting information from the incomplete input to infer the missing geometry. The second module merges both point clouds and improves the distribution of the points. Our experiments on ShapeNet dataset show that our method outperforms the state-of-the-art methods in point cloud completion. The code of our methods and experiments is available in \url{https://github.com/ivansipiran/Refinement-Point-Cloud-Completion}.
• Abstract（参考訳）: 点雲完了は、3次元形状の点集合表現を用いて部分的な観測から完全な幾何学を予測するタスクである。 従来のアプローチでは、不完全点集合によって供給されるエンコーダ・デコーダモデルを通じて、ポイントクラウド全体を直接推定するニューラルネットワークを提案する。 完全なモデルを予測することで、出力が既知の不完全な入力幾何学を含むため、現在の手法は冗長な情報を計算する。 本稿では,不足する幾何の計算と既知の入力と予測された点クラウドの融合に焦点をあてたエンドツーエンドニューラルネットワークアーキテクチャを提案する。 本手法は,2つのニューラルネットワーク – 欠落部分予測ネットワークとマージ・リファインメントネットワーク – から構成される。 第1のモジュールは、欠落した幾何を推測するために不完全な入力から情報を抽出することに焦点を当てている。 第2のモジュールは、両方の点雲をマージし、点の分布を改善する。 ShapeNetデータセットを用いた実験により,本手法はポイントクラウドの完成度において最先端の手法よりも優れていることがわかった。 我々のメソッドと実験のコードは \url{https://github.com/ivansipiran/Refinement-Point-Cloud-Completion} で公開されている。

関連論文リスト

• CircNet: Meshing 3D Point Clouds with Circumcenter Detection [67.23307214942696]
  3次元点雲を三角形メッシュに再構成することは、計算幾何学と表面再構成の重要な問題である。 我々は,点雲三角測量を実現するために,周辺を検知するディープニューラルネットワークを導入する。 我々は水密面と開面面の両方の顕著なデータセットに対して本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2023-01-23T03:32:57Z)
• Explaining Deep Neural Networks for Point Clouds using Gradient-based Visualisations [1.2891210250935146]
  本研究では,非構造化3次元データの分類を目的としたネットワークの粗い視覚的説明を生成する手法を提案する。 提案手法では,最終特徴写像層に逆流する勾配を用いて,これらの値を入力点クラウド内の対応する点の寄与としてマップする。 このアプローチの汎用性は、シングルオブジェクトネットワークのPointNet、PointNet++、DGCNN、a'scene'ネットワークのVoteNetなど、さまざまなポイントクラウド分類ネットワークでテストされている。
  論文  参考訳（メタデータ） (2022-07-26T15:42:08Z)
• 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)
• PointAttN: You Only Need Attention for Point Cloud Completion [89.88766317412052]
  ポイント・クラウド・コンプリート(Point cloud completion)とは、部分的な3次元ポイント・クラウドから3次元の形状を完成させることである。 そこで我々は,kNNを除去するために,ポイントクラウドをポイント単位に処理する新しいニューラルネットワークを提案する。 提案するフレームワークであるPointAttNはシンプルで簡潔で効果的であり、3次元形状の構造情報を正確に捉えることができる。
  論文  参考訳（メタデータ） (2022-03-16T09:20:01Z)
• Graph-Guided Deformation for Point Cloud Completion [35.10606375236494]
  本稿では,入力データと中間生成を制御および支持点とみなすグラフガイド変形ネットワークを提案する。 我々の重要な洞察は、メッシュ変形法による最小2乗ラプラシア変形過程をシミュレートすることであり、幾何学的詳細のモデリングに適応性をもたらす。 我々はGCN誘導変形による従来のグラフィックアルゴリズムを模倣して、ポイントクラウド補完タスクを改良した最初の人物である。
  論文  参考訳（メタデータ） (2021-11-11T12:55:26Z)
• PMP-Net: Point Cloud Completion by Learning Multi-step Point Moving Paths [54.459879603473034]
  我々はPMP-Netと呼ばれる新しいニューラルネットワークを設計し、地球移動体の動作を模倣する。 不完全な入力の各点を移動させ、ポイントクラウドを完結させ、ポイント移動パスの合計距離が最も短くなる。 点レベルの厳密でユニークな対応を学習し、不完全な形状と完全なターゲットの間の詳細なトポロジーと構造的関係を捉えることができる。
  論文  参考訳（メタデータ） (2020-12-07T01:34:38Z)
• 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)
• DeepCLR: Correspondence-Less Architecture for Deep End-to-End Point Cloud Registration [12.471564670462344]
  この研究は、ディープニューラルネットワークを用いたポイントクラウド登録の問題に対処する。 重なり合うデータ内容を持つ2つの点雲間のアライメントを予測する手法を提案する。 提案手法は,最先端の精度と比較手法の最低実行時間を実現する。
  論文  参考訳（メタデータ） (2020-07-22T08:20:57Z)
• Point Cloud Completion by Skip-attention Network with Hierarchical Folding [61.59710288271434]
  本研究では,3Dポイントクラウド補完のためのSkip-Attention Network (SA-Net)を提案する。 まず,不完全点雲の局所構造を効果的に活用するためのスキップアテンション機構を提案する。 第二に、異なる解像度でスキップアテンション機構によって符号化された選択された幾何情報を完全に活用するために、新しい構造保存デコーダを提案する。
  論文  参考訳（メタデータ） (2020-05-08T06:23:51Z)

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。