論文の概要: Representing Point Clouds with Generative Conditional Invertible Flow Networks

• arxiv url: http://arxiv.org/abs/2010.11087v1
• Date: Wed, 7 Oct 2020 18:30:47 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-09 22:37:23.866482
• Title: Representing Point Clouds with Generative Conditional Invertible Flow Networks
• Title（参考訳）: 生成条件付き逆流ネットワークによる点雲の表現
• Authors: Micha{\l} Stypu{\l}kowski, Kacper Kania, Maciej Zamorski, Maciej Zi\k{e}ba, Tomasz Trzci\'nski, Jan Chorowski
• Abstract要約: クラウド固有の確率分布から抽出したサンプルの集合として,点雲を表現するための簡易かつ効果的な方法を提案する。 提案手法は, 生成的非可逆フローネットワークを利用して埋め込みを学習し, 点雲を生成する。 私たちのモデルは、ベンチマークデータセット上で、競争力または優れた定量的結果を提供します。
• 参考スコア（独自算出の注目度）: 15.280751949071016
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we propose a simple yet effective method to represent point clouds as sets of samples drawn from a cloud-specific probability distribution. This interpretation matches intrinsic characteristics of point clouds: the number of points and their ordering within a cloud is not important as all points are drawn from the proximity of the object boundary. We postulate to represent each cloud as a parameterized probability distribution defined by a generative neural network. Once trained, such a model provides a natural framework for point cloud manipulation operations, such as aligning a new cloud into a default spatial orientation. To exploit similarities between same-class objects and to improve model performance, we turn to weight sharing: networks that model densities of points belonging to objects in the same family share all parameters with the exception of a small, object-specific embedding vector. We show that these embedding vectors capture semantic relationships between objects. Our method leverages generative invertible flow networks to learn embeddings as well as to generate point clouds. Thanks to this formulation and contrary to similar approaches, we are able to train our model in an end-to-end fashion. As a result, our model offers competitive or superior quantitative results on benchmark datasets, while enabling unprecedented capabilities to perform cloud manipulation tasks, such as point cloud registration and regeneration, by a generative network.
• Abstract（参考訳）: 本稿では,点群を雲固有確率分布から抽出したサンプル集合として表現する,単純かつ効果的な手法を提案する。 この解釈は、点雲の固有の性質と一致し、全ての点が対象の境界付近から引き出されるので、点の数とその雲内の順序は重要ではない。 生成ニューラルネットワークによって定義されるパラメータ化確率分布として,各雲を表現することを仮定する。 トレーニングが完了すると、そのようなモデルは、新しいクラウドをデフォルトの空間指向に合わせるような、ポイントクラウド操作操作のための自然なフレームワークを提供する。 同じ種類のオブジェクト間の類似性を生かし、モデル性能を向上させるために、重み共有に目を向ける:同じファミリーに属するオブジェクトに属するポイントの密度をモデル化するネットワークは、小さなオブジェクト固有の埋め込みベクトルを除いて、すべてのパラメータを共有する。 これらの埋め込みベクトルはオブジェクト間の意味的関係をキャプチャする。 提案手法は, 生成的非可逆流網を利用して埋め込みを学習し, 点雲を生成する。 この定式化と類似のアプローチとは対照的に、エンドツーエンドでモデルをトレーニングすることが可能です。 その結果,本モデルでは,ベンチマークデータセットの競合的あるいは優れた定量的結果を提供すると同時に,ポイントクラウド登録や再生といったクラウド操作タスクを生成ネットワークで実行可能にする。

関連論文リスト

• Point Cloud Pre-training with Diffusion Models [62.12279263217138]
  我々は、ポイントクラウド拡散事前学習(PointDif)と呼ばれる新しい事前学習手法を提案する。 PointDifは、分類、セグメンテーション、検出など、さまざまな下流タスクのために、さまざまな現実世界のデータセット間で大幅に改善されている。
  論文  参考訳（メタデータ） (2023-11-25T08:10:05Z)
• GP-PCS: One-shot Feature-Preserving Point Cloud Simplification with Gaussian Processes on Riemannian Manifolds [2.8811433060309763]
  本稿では,新しいワンショットポイントクラウド単純化手法を提案する。 表面の復元を一切行わずに、健全な構造的特徴と点雲全体の形状の両方を保っている。 提案手法を複数のベンチマークおよび自己取得点雲上で評価し,既存手法と比較し,下流での登録と表面再構成の応用を実証した。
  論文  参考訳（メタデータ） (2023-03-27T14:05:34Z)
• Controllable Mesh Generation Through Sparse Latent Point Diffusion Models [105.83595545314334]
  メッシュ生成のための新しいスパース潜在点拡散モデルを設計する。 私たちの重要な洞察は、ポイントクラウドをメッシュの中間表現と見なし、代わりにポイントクラウドの分布をモデル化することです。 提案したスパース潜在点拡散モデルにより,生成品質と制御性において優れた性能が得られる。
  論文  参考訳（メタデータ） (2023-03-14T14:25:29Z)
• Self-Supervised Arbitrary-Scale Point Clouds Upsampling via Implicit Neural Representation [79.60988242843437]
  そこで本研究では,自己監督型および倍率フレキシブルな点雲を同時にアップサンプリングする手法を提案する。 実験結果から, 自己教師あり学習に基づく手法は, 教師あり学習に基づく手法よりも, 競争力や性能が向上することが示された。
  論文  参考訳（メタデータ） (2022-04-18T07:18:25Z)
• Upsampling Autoencoder for Self-Supervised Point Cloud Learning [11.19408173558718]
  人間のアノテーションを使わずに、ポイントクラウド学習のための自己教師付き事前学習モデルを提案する。 アップサンプリング操作は、ポイントクラウドの高レベルセマンティック情報と低レベル幾何情報の両方を捕捉することをネットワークに促す。 我々のUAEは、形状分類、部分分割、点雲アップサンプリングタスクにおいて、従来の最先端手法よりも優れています。
  論文  参考訳（メタデータ） (2022-03-21T07:20:37Z)
• Refinement of Predicted Missing Parts Enhance Point Cloud Completion [62.997667081978825]
  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。
  論文  参考訳（メタデータ） (2020-10-08T22:01:23Z)
• 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)
• TearingNet: Point Cloud Autoencoder to Learn Topology-Friendly Representations [20.318695890515613]
  本稿では,固定長ディスクリプタを用いたポイントクラウドの表現に挑戦する自動エンコーダTearingNetを提案する。 我々のTeringNetは、提案されたTeringネットワークモジュールと、相互に反復的に相互作用するFoldingネットワークモジュールによって特徴付けられる。 実験は、点雲の再構成や、ベンチマークよりもトポロジに優しい表現を生成するという点で、我々の提案の優位性を示している。
  論文  参考訳（メタデータ） (2020-06-17T22:42:43Z)
• Generative PointNet: Deep Energy-Based Learning on Unordered Point Sets for 3D Generation, Reconstruction and Classification [136.57669231704858]
  エネルギーモデルを用いて, 点雲などの無秩序点集合の生成モデルを提案する。 我々はこのモデルをジェネレーティブ・ポイントネット(Generative PointNet)と呼んでいる。
  論文  参考訳（メタデータ） (2020-04-02T23:08:10Z)

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。