論文の概要: HyperPocket: Generative Point Cloud Completion

• arxiv url: http://arxiv.org/abs/2102.05973v1
• Date: Thu, 11 Feb 2021 12:30:03 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-12 14:15:05.272581
• Title: HyperPocket: Generative Point Cloud Completion
• Title（参考訳）: HyperPocket: 生成ポイントクラウドの補完
• Authors: Przemys{\l}aw Spurek, Artur Kasymov, Marcin Mazur, Diana Janik, S{\l}awomir Tadeja, {\L}ukasz Struski, Jacek Tabor, Tomasz Trzci\'nski
• Abstract要約: 遅延表現をアンタングルするHyperPocketという,新しいオートエンコーダベースのアーキテクチャを導入する。 ハイパーネットワークのパラダイムを活用して、欠落したオブジェクト部分によって残された、ポケットと呼ばれる空間を埋めます。 我々の手法は、他の最先端モデルと競合する性能を提供する。
• 参考スコア（独自算出の注目度）: 19.895219420937938
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Scanning real-life scenes with modern registration devices typically give incomplete point cloud representations, mostly due to the limitations of the scanning process and 3D occlusions. Therefore, completing such partial representations remains a fundamental challenge of many computer vision applications. Most of the existing approaches aim to solve this problem by learning to reconstruct individual 3D objects in a synthetic setup of an uncluttered environment, which is far from a real-life scenario. In this work, we reformulate the problem of point cloud completion into an object hallucination task. Thus, we introduce a novel autoencoder-based architecture called HyperPocket that disentangles latent representations and, as a result, enables the generation of multiple variants of the completed 3D point clouds. We split point cloud processing into two disjoint data streams and leverage a hypernetwork paradigm to fill the spaces, dubbed pockets, that are left by the missing object parts. As a result, the generated point clouds are not only smooth but also plausible and geometrically consistent with the scene. Our method offers competitive performances to the other state-of-the-art models, and it enables a~plethora of novel applications.
• Abstract（参考訳）: 現代の登録装置で現実のシーンをスキャンすることは、通常、スキャンプロセスと3D閉塞の制限のために不完全な点雲表現を与える。 したがって、そのような部分表現の完成は、多くのコンピュータビジョンアプリケーションにとって基本的な課題である。 既存のアプローチのほとんどは、実際のシナリオとは程遠い、人工的な環境で個々の3dオブジェクトを再構築することを学ぶことによって、この問題を解決しようとしている。 本研究では,ポイントクラウド完成の問題を物体幻覚タスクに再構成する。 そこで、HyperPocketと呼ばれる新しいオートエンコーダベースのアーキテクチャを導入し、遅延表現を解き放ち、結果として完成した3Dポイントクラウドの複数のバリアントを生成することができる。 ポイントクラウド処理を2つの不整合データストリームに分割し、ハイパーネットワークパラダイムを活用して、欠落したオブジェクト部分によって残る、ポケットと呼ばれるスペースを埋める。 その結果、生成された点雲は滑らかなだけでなく、その場面と幾何的に一致している。 本手法は他の最先端モデルと競合する性能を提供し,多くの新規アプリケーションを実現する。

関連論文リスト

• GPN: Generative Point-based NeRF [0.65268245109828]
  我々は,部分的な雲を復元し,修復するために生成点ベースのNeRF (GPN) を提案する。 補修された点雲は、高空間分解能で撮像された画像との多視点整合を達成することができる。
  論文  参考訳（メタデータ） (2024-04-12T08:14:17Z)
• 3DMambaComplete: Exploring Structured State Space Model for Point Cloud Completion [19.60626235337542]
  3DMambaCompleteは、新しいMambaフレームワーク上に構築されたポイントクラウド補完ネットワークである。 Mambaの選択メカニズムを使ってポイントクラウド機能をエンコードし、ハイパーポイントのセットを予測する。 変形法はハイパーポイントの2次元メッシュ表現を点雲再構成のための微細な3次元構造に変換する。
  論文  参考訳（メタデータ） (2024-04-10T15:45:03Z)
• Patch-Wise Point Cloud Generation: A Divide-and-Conquer Approach [83.05340155068721]
  分割・分散アプローチを用いた新しい3dポイントクラウド生成フレームワークを考案する。 すべてのパッチジェネレータは学習可能な事前情報に基づいており、幾何学的プリミティブの情報を取得することを目的としている。 最も人気のあるポイントクラウドデータセットであるShapeNetのさまざまなオブジェクトカテゴリに関する実験結果は、提案したパッチワイドポイントクラウド生成の有効性を示している。
  論文  参考訳（メタデータ） (2023-07-22T11:10:39Z)
• 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 Registration of non-rigid objects in sparse 3D Scans with applications in Mixed Reality [0.0]
  本研究では,Augmented/Mixed Realityドメインのユースケースを対象とした,厳密でないクラウド登録の問題について検討する。 我々は、互いに相対的に動く部分を持つ剛体物体で起こる特別な非剛体変形に注目する。 このようなオブジェクトに対する効率的で堅牢なポイントクラウド登録ワークフローを提案し、Microsoft Hololens 2.0を用いて収集した実世界のデータに基づいて評価する。
  論文  参考訳（メタデータ） (2022-12-07T18:54:32Z)
• 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)
• 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)
• PoinTr: Diverse Point Cloud Completion with Geometry-Aware Transformers [81.71904691925428]
  本稿では,ポイントクラウドの完了をセット・ツー・セットの翻訳問題として再定義する手法を提案する。 我々はまた、ポイントクラウド補完のためにトランスフォーマーエンコーダデコーダアーキテクチャを採用するPoinTrと呼ばれる新しいモデルも設計している。 提案手法は,新しいベンチマークと既存ベンチマークの両方において,最先端の手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2021-08-19T17:58:56Z)
• ParaNet: Deep Regular Representation for 3D Point Clouds [62.81379889095186]
  ParaNetは、3Dポイントクラウドを表現するための新しいエンドツーエンドのディープラーニングフレームワークである。 不規則な3D点雲を通常の2Dカラー画像に変換する。 多視点投影とボキセル化に基づく従来の正規表現法とは異なり、提案した表現は微分可能で可逆である。
  論文  参考訳（メタデータ） (2020-12-05T13:19:55Z)
• 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)

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。