論文の概要: A Progressive Conditional Generative Adversarial Network for Generating
Dense and Colored 3D Point Clouds
- arxiv url: http://arxiv.org/abs/2010.05391v1
- Date: Mon, 12 Oct 2020 01:32:13 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-08 05:30:22.704720
- Title: A Progressive Conditional Generative Adversarial Network for Generating
Dense and Colored 3D Point Clouds
- Title（参考訳）: 濃淡と色付き3次元点群生成のための段階的条件生成逆ネットワーク
- Authors: Mohammad Samiul Arshad and William J. Beksi
- Abstract要約: 本研究では,教師なしの方法でオブジェクトの分類を行うために,高密度な3次元点雲をカラーで生成する新しい条件生成対向ネットワークを提案する。
複雑な詳細を高解像度で捉えることの難しさを克服するために,グラフ畳み込みを用いてネットワークを徐々に成長させる点変換器を提案する。
実験の結果,ネットワークは3次元データ分布の学習と模倣が可能であり,複数の解像度で詳細な色付き点雲を生成できることがわかった。
- 参考スコア（独自算出の注目度）: 5.107705550575662
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we introduce a novel conditional generative adversarial
network that creates dense 3D point clouds, with color, for assorted classes of
objects in an unsupervised manner. To overcome the difficulty of capturing
intricate details at high resolutions, we propose a point transformer that
progressively grows the network through the use of graph convolutions. The
network is composed of a leaf output layer and an initial set of branches.
Every training iteration evolves a point vector into a point cloud of
increasing resolution. After a fixed number of iterations, the number of
branches is increased by replicating the last branch. Experimental results show
that our network is capable of learning and mimicking a 3D data distribution,
and produces colored point clouds with fine details at multiple resolutions.
- Abstract（参考訳）: 本稿では,教師なしの方法でオブジェクトの分類を行うために,高密度な3次元点雲をカラーで生成する条件生成対向ネットワークを提案する。
高分解能で複雑な詳細を捉えることの難しさを克服するため,グラフ畳み込みを用いてネットワークを段階的に拡大する点変換器を提案する。
ネットワークは、リーフ出力層と、枝の初期セットからなる。
トレーニングの繰り返しは、ポイントベクトルを高解像度の点雲に進化させる。
一定回数のイテレーションの後、最後のブランチを複製することで、ブランチの数が増加する。
実験の結果,ネットワークは3次元データ分布の学習と模倣が可能であり,複数の解像度で詳細な色付き点雲を生成できることがわかった。
関連論文リスト
- 4DSR-GCN: 4D Video Point Cloud Upsampling using Graph Convolutional
Networks [29.615723135027096]
圧縮後の3次元ビデオポイント雲のアップスケーリングと復元のための新しいソリューションを提案する。
我々のモデルは、動的エッジ畳み込みとグラフ注意ネットワークを組み合わせた、特別に設計されたグラフ畳み込みネットワーク(GCN)で構成されている。
論文 参考訳（メタデータ） (2023-06-01T18:43:16Z) - 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) - Deep Point Cloud Reconstruction [74.694733918351]
3Dスキャンから得られる点雲は、しばしばスパース、ノイズ、不規則である。
これらの問題に対処するため、最近の研究は別々に行われ、不正確な点雲を密度化、復調し、完全な不正確な点雲を観測している。
本研究では,1) 初期密度化とデノナイズのための3次元スパース集積時間ガラスネットワーク,2) 離散ボクセルを3Dポイントに変換するトランスフォーマーによる改良,の2段階からなる深部点雲再構成ネットワークを提案する。
論文 参考訳（メタデータ） (2021-11-23T07:53:28Z) - Point Discriminative Learning for Unsupervised Representation Learning
on 3D Point Clouds [54.31515001741987]
3次元点雲上での教師なし表現学習のための点識別学習法を提案する。
我々は、中間レベルとグローバルレベルの特徴に新しい点識別損失を課すことにより、これを達成した。
提案手法は強力な表現を学習し,新しい最先端性能を実現する。
論文 参考訳（メタデータ） (2021-08-04T15:11:48Z) - 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) - DmifNet:3D Shape Reconstruction Based on Dynamic Multi-Branch
Information Fusion [14.585272577456472]
シングルビュー画像からの3Dオブジェクトの再構築は、長年の課題である。
複雑なトポロジーで3次元形状を正確に再構築することは, それまでの作業では困難であった。
2次元画像から任意の位相の高忠実度3次元形状を復元できる動的マルチブランチ情報融合ネットワーク(DmifNet)を提案する。
論文 参考訳（メタデータ） (2020-11-21T11:31:27Z) - MRGAN: Multi-Rooted 3D Shape Generation with Unsupervised Part
Disentanglement [49.05682172235875]
本稿では, MRGANを提案する。MRGANは, パートベース形状の監視を伴わずに, 対角3次元点雲形状を生成するマルチルート対向ネットワークである。
このネットワークは、点雲を生成する木構造グラフ畳み込み層の複数の枝を融合させ、木根での学習可能な定数入力を行う。
論文 参考訳（メタデータ） (2020-07-25T14:41:51Z) - GRNet: Gridding Residual Network for Dense Point Cloud Completion [54.43648460932248]
完全な3Dポイントクラウドを不完全なクラウドから推定することは、多くのビジョンやロボティクスアプリケーションにおいて重要な問題である。
本稿では,ポイントクラウド補完のための新しいGridding Residual Network(GRNet)を提案する。
実験結果から,提案したGRNetはShapeNet,Completion3D,KITTIベンチマークの最先端手法に対して良好に動作することがわかった。
論文 参考訳（メタデータ） (2020-06-06T02:46:39Z) - Cascaded Refinement Network for Point Cloud Completion [74.80746431691938]
本稿では,細かな物体形状を合成するための粗大な戦略とともに,カスケード型精細化ネットワークを提案する。
部分入力の局所的な詳細と大域的な形状情報を合わせて考えると、既存の詳細を不完全点集合に保存することができる。
また、各局所領域が同じパターンと基底的真理を持つことを保証し、複雑な点分布を学習するパッチ判別器を設計する。
論文 参考訳（メタデータ） (2020-04-07T13:03:29Z)
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。