論文の概要: PC2WF: 3D Wireframe Reconstruction from Raw Point Clouds
- arxiv url: http://arxiv.org/abs/2103.02766v1
- Date: Thu, 4 Mar 2021 00:18:06 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-05 14:59:33.815021
- Title: PC2WF: 3D Wireframe Reconstruction from Raw Point Clouds
- Title（参考訳）: PC2WF: 原点雲からの3Dワイヤフレーム再構築
- Authors: Yujia Liu, Stefano D'Aronco, Konrad Schindler, Jan Dirk Wegner
- Abstract要約: PC2WFは、3Dポイントクラウドをワイヤフレームモデルに変換する最初のエンドツーエンドのディープネットワークアーキテクチャである。
- 参考スコア（独自算出の注目度）: 29.528059021509115
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We introduce PC2WF, the first end-to-end trainable deep network architecture
to convert a 3D point cloud into a wireframe model. The network takes as input
an unordered set of 3D points sampled from the surface of some object, and
outputs a wireframe of that object, i.e., a sparse set of corner points linked
by line segments. Recovering the wireframe is a challenging task, where the
numbers of both vertices and edges are different for every instance, and
a-priori unknown. Our architecture gradually builds up the model: It starts by
encoding the points into feature vectors. Based on those features, it
identifies a pool of candidate vertices, then prunes those candidates to a
final set of corner vertices and refines their locations. Next, the corners are
linked with an exhaustive set of candidate edges, which is again pruned to
obtain the final wireframe. All steps are trainable, and errors can be
backpropagated through the entire sequence. We validate the proposed model on a
publicly available synthetic dataset, for which the ground truth wireframes are
accessible, as well as on a new real-world dataset. Our model produces
wireframe abstractions of good quality and outperforms several baselines.
- Abstract（参考訳）: PC2WFは,3Dポイントクラウドをワイヤフレームモデルに変換するための,最初のエンドツーエンドトレーニング可能なディープネットワークアーキテクチャである。
ネットワークは、あるオブジェクトの表面からサンプリングされた無秩序な3dポイントのセットを入力とし、そのオブジェクトのワイヤーフレーム、すなわち線分でリンクされたコーナーポイントのスパースセットを出力する。
ワイヤフレームの復元は難しい作業であり、頂点とエッジの数が各インスタンスで異なるため、a-prioriは未知である。
私たちのアーキテクチャは徐々にモデルを構築し、ポイントを特徴ベクトルにエンコードすることから始まります。
これらの特徴に基づいて、候補者頂点のプールを特定し、候補者をコーナー頂点の最終セットにプルーンし、位置を洗練します。
次に、コーナーは、最終的なワイヤフレームを得るために再びプルーニングされる候補エッジの総括セットにリンクされる。
すべてのステップはトレーニング可能で、エラーはシーケンス全体をバックプロパゲーションすることができる。
提案したモデルを,地上の真理線フレームにアクセス可能な公開合成データセットと,新たな実世界のデータセットで検証する。
我々のモデルは、優れた品質のワイヤフレーム抽象化を生成し、いくつかのベースラインを上回ります。
関連論文リスト
- Variational Relational Point Completion Network for Robust 3D
Classification [59.80993960827833]
可変点雲補完法は、局所的な詳細を欠くため、大域的な形状の骨格を生成する傾向がある。
本稿では2つの魅力的な特性を持つ変分フレームワークであるポイントコンプリートネットワーク(VRCNet)を提案する。
VRCNetは、現実世界のポイントクラウドスキャンにおいて、非常に一般化性と堅牢性を示している。
論文 参考訳（メタデータ） (2023-04-18T17:03:20Z) - 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) - Connecting the Dots: Floorplan Reconstruction Using Two-Level Queries [27.564355569013706]
本稿では,複数の部屋の多角形を並列に生成するトランスフォーマーアーキテクチャを提案する。
提案手法は,Structured3DとSceneCADの2つの挑戦的データセットに対して,新たな最先端化を実現する。
追加情報、すなわちセマンティックルームタイプやドアや窓のようなアーキテクチャ要素を予測するために簡単に拡張できる。
論文 参考訳（メタデータ） (2022-11-28T18:59:09Z) - CAGroup3D: Class-Aware Grouping for 3D Object Detection on Point Clouds [55.44204039410225]
本稿では,CAGroup3Dという新しい2段階完全スパース3Dオブジェクト検出フレームワークを提案する。
提案手法は,まず,オブジェクト表面のボクセル上でのクラス認識型局所群戦略を活用することによって,高品質な3D提案を生成する。
不正なボクセルワイドセグメンテーションにより欠落したボクセルの特徴を回復するために,完全にスパースな畳み込み型RoIプールモジュールを構築した。
論文 参考訳（メタデータ） (2022-10-09T13:38:48Z) - Learning to Construct 3D Building Wireframes from 3D Line Clouds [44.86652959894933]
ワイヤーフレームの抽象化を構築するために,ラインクラウドを処理する最初のネットワークを提案する。
ラインパッチは、潜在的なジャンクションの存在や3D位置を予測するのに十分な輪郭情報を符号化する。
地上3次元ワイヤフレームを用いた多視点画像の合成データセットを提案する。
論文 参考訳（メタデータ） (2022-08-25T09:08:48Z) - MetaSets: Meta-Learning on Point Sets for Generalizable Representations [100.5981809166658]
本稿では,3次元領域一般化(DDG)の新たな課題について検討し,学習過程においてそれらにアクセスすることなく,他の目に見えない点雲の領域にモデルを一般化することを目的とする。
本稿ではメタセットを用いてこの問題に対処することを提案する。メタ学習は、慎重に設計された変換された点集合上の分類タスク群からポイントクラウド表現を抽出する。
実験結果から,MetaSetsは既存の3次元深層学習手法よりも大きなマージンで優れていることが示された。
論文 参考訳（メタデータ） (2022-04-15T03:24:39Z) - CpT: Convolutional Point Transformer for 3D Point Cloud Processing [10.389972581905]
CpT: Convolutional Point Transformer - 3Dポイントクラウドデータの非構造化の性質を扱うための新しいディープラーニングアーキテクチャ。
CpTは、既存の注目ベースのConvolutions Neural Networksと、以前の3Dポイントクラウド処理トランスフォーマーの改善である。
我々のモデルは、既存の最先端のアプローチと比較して、様々なポイントクラウド処理タスクの効果的なバックボーンとして機能する。
論文 参考訳（メタデータ） (2021-11-21T17:45:55Z) - Variational Relational Point Completion Network [41.98957577398084]
既存のポイントクラウド補完メソッドは、グローバルシェイプスケルトンを生成し、細かいローカル詳細を欠いています。
本稿では,2つの特性を持つ変分点コンプリートネットワーク(VRCNet)を提案する。
VRCNetは、現実世界のポイントクラウドスキャンで、大きな可能性と堅牢性を示します。
論文 参考訳（メタデータ） (2021-04-20T17:53:40Z) - 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) - 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)
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。