論文の概要: DeepDT: Learning Geometry From Delaunay Triangulation for Surface Reconstruction

• arxiv url: http://arxiv.org/abs/2101.10353v2
• Date: Thu, 4 Mar 2021 14:09:43 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-14 19:04:33.302404
• Title: DeepDT: Learning Geometry From Delaunay Triangulation for Surface Reconstruction
• Title（参考訳）: DeepDT: Delaunay Triangulation による表面再構成の学習
• Authors: Yiming Luo, Zhenxing Mi, Wenbing Tao
• Abstract要約: DeepDTと呼ばれる新しい学習ベースのネットワークは、点群のDelaunay三角化から表面を再構築するために提案されている。 deepdtは、点雲と対応するdelaunay三角測量から直接、delaunay tetrahedronsの内外ラベルを予測することを学ぶ。
• 参考スコア（独自算出の注目度）: 27.307880381564285
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, a novel learning-based network, named DeepDT, is proposed to reconstruct the surface from Delaunay triangulation of point cloud. DeepDT learns to predict inside/outside labels of Delaunay tetrahedrons directly from a point cloud and corresponding Delaunay triangulation. The local geometry features are first extracted from the input point cloud and aggregated into a graph deriving from the Delaunay triangulation. Then a graph filtering is applied on the aggregated features in order to add structural regularization to the label prediction of tetrahedrons. Due to the complicated spatial relations between tetrahedrons and the triangles, it is impossible to directly generate ground truth labels of tetrahedrons from ground truth surface. Therefore, we propose a multilabel supervision strategy which votes for the label of a tetrahedron with labels of sampling locations inside it. The proposed DeepDT can maintain abundant geometry details without generating overly complex surfaces , especially for inner surfaces of open scenes. Meanwhile, the generalization ability and time consumption of the proposed method is acceptable and competitive compared with the state-of-the-art methods. Experiments demonstrate the superior performance of the proposed DeepDT.
• Abstract（参考訳）: 本稿では,DeepDTと呼ばれる新しい学習ネットワークを提案し,点雲のデラウネー三角測量から表面を再構築する。 deepdtは、点雲と対応するdelaunay三角測量から直接、delaunay tetrahedronsの内外ラベルを予測することを学ぶ。 局所幾何学的特徴はまず入力点雲から抽出され、デラウネー三角測量から得られるグラフに集約される。 次に、テトラセドロンのラベル予測に構造正規化を加えるために、集約された特徴にグラフフィルタリングを適用する。 四面体と三角形の間の複雑な空間関係のため、基底真理面から四面体の基底真理ラベルを直接生成することは不可能である。 そこで我々は,その内部にサンプリング位置のラベルを付けたテトラヘドロンのラベルを投票するマルチラベル監視戦略を提案する。 提案したDeepDTは、特にオープンシーンの内面に対して、過度に複雑な表面を生成することなく、豊富な幾何学的詳細を維持できる。 一方,提案手法の一般化能力と時間消費は,最先端手法と比較して許容され,競争力がある。 実験は提案されたDeepDTの優れた性能を示す。

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)
• Flattening-Net: Deep Regular 2D Representation for 3D Point Cloud Analysis [66.49788145564004]
  我々は、任意の幾何学と位相の不規則な3次元点雲を表現するために、Flattning-Netと呼ばれる教師なしのディープニューラルネットワークを提案する。 我々の手法は、現在の最先端の競合相手に対して好意的に機能する。
  論文  参考訳（メタデータ） (2022-12-17T15:05:25Z)
• GeoUDF: Surface Reconstruction from 3D Point Clouds via Geometry-guided Distance Representation [73.77505964222632]
  スパース点雲から離散曲面を再構成する問題に対処する学習ベース手法であるGeoUDFを提案する。 具体的には、UDFのための幾何誘導学習法とその勾配推定を提案する。 予測されたUDFから三角形メッシュを抽出するために,カスタマイズされたエッジベースマーチングキューブモジュールを提案する。
  論文  参考訳（メタデータ） (2022-11-30T06:02:01Z)
• Depth Completion using Geometry-Aware Embedding [22.333381291860498]
  本稿では,幾何認識の埋め込みを効率的に学習する手法を提案する。 局所的および大域的な幾何学的構造情報を、例えば、シーンレイアウト、オブジェクトのサイズと形状などの3Dポイントから符号化し、深度推定を導く。
  論文  参考訳（メタデータ） (2022-03-21T12:06:27Z)
• Deep Marching Tetrahedra: a Hybrid Representation for High-Resolution 3D Shape Synthesis [90.26556260531707]
  DMTetは粗いボクセルのような単純なユーザーガイドを用いて高解像度の3次元形状を合成できる条件付き生成モデルである。 メッシュなどの明示的な表現を直接生成する深部3次元生成モデルとは異なり、我々のモデルは任意の位相で形状を合成することができる。
  論文  参考訳（メタデータ） (2021-11-08T05:29:35Z)
• Differentiable Surface Triangulation [40.13834693745158]
  曲面三角関数の空間上での頂点ごとあるいは面ごとの微分可能な対象関数の最適化を可能にする微分曲面三角関数を提案する。 提案手法は, 適切な重み付けを施したデラウネー三角測量により, 任意の2次元三角測量が達成できることを示す。 形状を展開可能な集合に分解し,各集合を適切な境界制約で異なったメッシュ化することにより,アルゴリズムを3Dに拡張する。
  論文  参考訳（メタデータ） (2021-09-22T12:42:43Z)
• Deep Implicit Surface Point Prediction Networks [49.286550880464866]
  暗黙の関数としての3次元形状の深い神経表現は、高忠実度モデルを生成することが示されている。 本稿では,CSP(Nest Surface-point)表現と呼ばれる新しい種類の暗黙の表現を用いて,そのような曲面をモデル化する新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2021-06-10T14:31:54Z)
• PUGeo-Net: A Geometry-centric Network for 3D Point Cloud Upsampling [103.09504572409449]
  PUGeo-Netと呼ばれる新しいディープニューラルネットワークを用いた一様高密度点雲を生成する手法を提案する。 その幾何学中心の性質のおかげで、PUGeo-Netはシャープな特徴を持つCADモデルとリッチな幾何学的詳細を持つスキャンされたモデルの両方でうまく機能する。
  論文  参考訳（メタデータ） (2020-02-24T14:13:29Z)

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。