論文の概要: PMP-Net: Point Cloud Completion by Learning Multi-step Point Moving Paths

• arxiv url: http://arxiv.org/abs/2012.03408v2
• Date: Mon, 8 Mar 2021 02:32:52 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-16 21:26:10.952306
• Title: PMP-Net: Point Cloud Completion by Learning Multi-step Point Moving Paths
• Title（参考訳）: PMP-Net:多段階移動経路学習によるポイントクラウド補完
• Authors: Xin Wen, Peng Xiang, Zhizhong Han, Yan-Pei Cao, Pengfei Wan, Wen Zheng, Yu-Shen Liu
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 54.459879603473034
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The task of point cloud completion aims to predict the missing part for an incomplete 3D shape. A widely used strategy is to generate a complete point cloud from the incomplete one. However, the unordered nature of point clouds will degrade the generation of high-quality 3D shapes, as the detailed topology and structure of discrete points are hard to be captured by the generative process only using a latent code. In this paper, we address the above problem by reconsidering the completion task from a new perspective, where we formulate the prediction as a point cloud deformation process. Specifically, we design a novel neural network, named PMP-Net, to mimic the behavior of an earth mover. It moves move each point of the incomplete input to complete the point cloud, where the total distance of point moving paths (PMP) should be shortest. Therefore, PMP-Net predicts a unique point moving path for each point according to the constraint of total point moving distances. As a result, the network learns a strict and unique correspondence on point-level, which can capture the detailed topology and structure relationships between the incomplete shape and the complete target, and thus improves the quality of the predicted complete shape. We conduct comprehensive experiments on Completion3D and PCN datasets, which demonstrate our advantages over the state-of-the-art point cloud completion methods.
• Abstract（参考訳）: ポイント・クラウド・コンプリートの目的は、不完全な3d形状の欠落部分を予測することである。 広く使われている戦略は、不完全なものから完全な点雲を生成することである。 しかしながら、離散点の詳細なトポロジーと構造は潜在コードのみを使用して生成プロセスによって捉えることが困難であるため、ポイント雲の無秩序な性質は高品質な3d形状の生成を劣化させる。 本稿では, 新たな視点から完了タスクを再考し, その予測を点雲変形過程として定式化することによって, 上記の問題に対処する。 具体的には、地球移動体の動作を模倣する新しいニューラルネットワーク、PMP-Netを設計する。 それは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、ポイント移動経路(pmp)の合計距離が最も短くなる。 したがって、PMP-Netは全点移動距離の制約に応じて各点のユニークな点移動経路を予測する。 その結果、ネットワークは、不完全形状と完全対象との詳細なトポロジーおよび構造関係を捉えることができる点レベルでの厳密かつ一意な対応を学習し、予測された完全形状の品質を向上させることができる。 我々はCompletion3DとPCNデータセットの包括的な実験を行い、最先端のクラウド補完手法に対する利点を実証した。

関連論文リスト

• 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)
• PMP-Net++: Point Cloud Completion by Transformer-Enhanced Multi-step Point Moving Paths [60.32185890237936]
  我々は、地球移動体の動作を模倣する新しいニューラルネットワーク、PMP-Net++を設計する。 不完全入力の各点を移動させ、点移動経路(PMP)の総距離が最短となる完全点雲を得る。 ネットワークは点レベルの厳密でユニークな対応を学習し、予測された完全形状の品質を向上させる。
  論文  参考訳（メタデータ） (2022-02-19T03:00:40Z)
• A Conditional Point Diffusion-Refinement Paradigm for 3D Point Cloud Completion [69.32451612060214]
  実スキャンされた3Dポイントクラウドはしばしば不完全であり、下流アプリケーションのために完全なポイントクラウドを復元することが重要である。 ほとんどの既存のポイントクラウド補完方法は、トレーニングにチャンファー距離(CD)損失を使用する。 本稿では,点雲完了のためのPDR(Point Diffusion-Refinement)パラダイムを提案する。
  論文  参考訳（メタデータ） (2021-12-07T06:59:06Z)
• Skeleton-bridged Point Completion: From Global Inference to Local Adjustment [48.2757171993437]
  形状整形のための骨格ブリッジ型点完備ネットワーク(SK-PCN)を提案する。 部分スキャンにより,まずその3次元骨格を予測し,大域構造を求める。 形状の完備化を構造推定と表面再構成に分離し,学習の難易度を緩和する。
  論文  参考訳（メタデータ） (2020-10-14T22:49:30Z)
• 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)
• 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)
• PF-Net: Point Fractal Network for 3D Point Cloud Completion [6.504317278066694]
  ポイントフラクタルネットワーク(PF-Net)は、正確かつ高忠実なポイントクラウド補完のための新しい学習ベースのアプローチである。 PF-Netは不完全点雲の空間配置を保存し、その予測において欠落領域の詳細な幾何学的構造を把握できる。 本実験は,いくつかの難点クラウド完了タスクにおいて,本手法の有効性を示すものである。
  論文  参考訳（メタデータ） (2020-03-01T05:40:21Z)

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。