論文の概要: SPU-Net: Self-Supervised Point Cloud Upsampling by Coarse-to-Fine Reconstruction with Self-Projection Optimization

• arxiv url: http://arxiv.org/abs/2012.04439v1
• Date: Tue, 8 Dec 2020 14:14:09 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-16 21:14:35.241329
• Title: SPU-Net: Self-Supervised Point Cloud Upsampling by Coarse-to-Fine Reconstruction with Self-Projection Optimization
• Title（参考訳）: SPU-Net: 自己プロジェクション最適化による粗孔間再構成によるセルフスーパービジョンポイントクラウドアップサンプリング
• Authors: Xinhai Liu, Xinchen Liu, Zhizhong Han, Yu-Shen Liu
• Abstract要約: 実際のスキャンされたスパースデータからトレーニング用の大規模なペアリングスパーススキャンポイントセットを得るのは高価で面倒です。 本研究では,SPU-Net と呼ばれる自己監視型点群アップサンプリングネットワークを提案する。 本研究では,合成データと実データの両方について様々な実験を行い,最先端の教師付き手法と同等の性能が得られることを示す。
• 参考スコア（独自算出の注目度）: 52.20602782690776
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The task of point cloud upsampling aims to acquire dense and uniform point sets from sparse and irregular point sets. Although significant progress has been made with deep learning models, they require ground-truth dense point sets as the supervision information, which can only trained on synthetic paired training data and are not suitable for training under real-scanned sparse data. However, it is expensive and tedious to obtain large scale paired sparse-dense point sets for training from real scanned sparse data. To address this problem, we propose a self-supervised point cloud upsampling network, named SPU-Net, to capture the inherent upsampling patterns of points lying on the underlying object surface. Specifically, we propose a coarse-to-fine reconstruction framework, which contains two main components: point feature extraction and point feature expansion, respectively. In the point feature extraction, we integrate self-attention module with graph convolution network (GCN) to simultaneously capture context information inside and among local regions. In the point feature expansion, we introduce a hierarchically learnable folding strategy to generate the upsampled point sets with learnable 2D grids. Moreover, to further optimize the noisy points in the generated point sets, we propose a novel self-projection optimization associated with uniform and reconstruction terms, as a joint loss, to facilitate the self-supervised point cloud upsampling. We conduct various experiments on both synthetic and real-scanned datasets, and the results demonstrate that we achieve comparable performance to the state-of-the-art supervised methods.
• Abstract（参考訳）: 点雲アップサンプリングの課題は、スパースおよび不規則点集合から密度と均一点集合を取得することである。 深層学習モデルでは大きな進歩が見られたが, 教師情報として深部密集点集合が必要であり, 合成ペア学習データのみを訓練でき, 実走査スパースデータ下での訓練には適さない。 しかし、実際にスキャンしたスパースデータから、大規模にペア化されたスパース・デンス・ポイント・セットを訓練することは高価で面倒である。 この問題に対処するために,SPU-Netと呼ばれる自己教師付き点雲アップサンプリングネットワークを提案する。 具体的には,点特徴抽出と点特徴拡張の2つの主成分を含む粗大化再構成フレームワークを提案する。 点特徴抽出では,自己認識モジュールとグラフ畳み込みネットワーク(GCN)を統合し,局所領域内のコンテキスト情報を同時に取得する。 点特徴拡張では,階層的に学習可能な折り畳み戦略を導入し,学習可能な2次元グリッドを用いたアップサンプリングされた点集合を生成する。 さらに,生成した点集合の雑音点をさらに最適化するために,一様および再構成項に付随する新たな自己投射最適化を共同損失として提案し,自己監督点雲のアップサンプリングを容易にする。 本研究では,合成データと実データの両方について様々な実験を行い,最先端の教師付き手法と同等の性能が得られることを示す。

関連論文リスト

• Curvature Informed Furthest Point Sampling [0.0]
  ファテスト点サンプリング(FPS)を強化する強化学習に基づくサンプリングアルゴリズムを提案する。 提案手法は,FPS由来のソフトランクと深部ニューラルネットワークによる曲率スコアを組み合わせることで,ポイントをランク付けする。 我々は,各特徴が性能に与える影響について,質的および定量的に考察した総合的アブレーション研究を提供する。
  論文  参考訳（メタデータ） (2024-11-25T23:58:38Z)
• 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)
• Point Cloud Upsampling via Cascaded Refinement Network [39.79759035338819]
  粗い方法で点雲をサンプリングすることは、まともな解決法である。 既存の粗大なアップサンプリング手法では、追加のトレーニング戦略が必要となる。 本稿では,単純だが効果的なカスケード改良ネットワークを提案する。
  論文  参考訳（メタデータ） (2022-10-08T07:09:37Z)
• BIMS-PU: Bi-Directional and Multi-Scale Point Cloud Upsampling [60.257912103351394]
  我々はBIMS-PUと呼ばれる新しいポイント・クラウド・アップサンプリング・パイプラインを開発した。 対象のサンプリング因子を小さな因子に分解することにより,アップ/ダウンサンプリング手順をいくつかのアップ/ダウンサンプリングサブステップに分解する。 提案手法は最先端手法よりも優れた結果が得られることを示す。
  論文  参考訳（メタデータ） (2022-06-25T13:13:37Z)
• 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)
• Point Set Self-Embedding [63.23565826873297]
  この研究は、高密度な点の情報を視覚的だが知覚不可能な形でスペーサーバージョンにエンコードする、点集合自己埋め込みの革新的な方法を示す。 自己埋め込みポイントセットは、通常のダウンサンプルとして機能し、モバイルデバイス上で効率的に視覚化することができる。 リモートサーバ上で詳細な分析を行うために,自己埋め込み情報を活用して,元のポイントセットを完全に復元する。
  論文  参考訳（メタデータ） (2022-02-28T07:03:33Z)
• PointLIE: Locally Invertible Embedding for Point Cloud Sampling and Recovery [35.353458457283544]
  ポイントクラウドサンプリングとリカバリ(PCSR)は、大規模なリアルタイムクラウド収集と処理に不可欠である。 ポイントクラウド適応型サンプリング・リカバリのためのローカル・インバータブル・エンベディング(PointLIE)を提案する。 PointLIEは、双方向学習を通じて、ポイントクラウドサンプリングと1つのフレームワークへのアップサンプリングを統一する。
  論文  参考訳（メタデータ） (2021-04-30T05:55:59Z)
• 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)

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。