論文の概要: An Efficient Hypergraph Approach to Robust Point Cloud Resampling
- arxiv url: http://arxiv.org/abs/2103.06999v1
- Date: Thu, 11 Mar 2021 23:19:54 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-16 00:31:36.901217
- Title: An Efficient Hypergraph Approach to Robust Point Cloud Resampling
- Title（参考訳）: ロバストポイントクラウド再サンプリングのための効率的なハイパーグラフ手法
- Authors: Qinwen Deng, Songyang Zhang and Zhi Ding
- Abstract要約: ハイパーグラフ信号処理(hgsp)に基づくポイントクラウド再サンプリングの検討
点群の信号ノード間の多面的な相互作用を捕捉するハイパーグラフスペクトルフィルタを設計する。
実験の結果, 点雲のハイパーグラフ解析の有効性が検証された。
- 参考スコア（独自算出の注目度）: 57.49817398852218
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Efficient processing and feature extraction of largescale point clouds are
important in related computer vision and cyber-physical systems. This work
investigates point cloud resampling based on hypergraph signal processing
(HGSP) to better explore the underlying relationship among different cloud
points and to extract contour-enhanced features. Specifically, we design
hypergraph spectral filters to capture multi-lateral interactions among the
signal nodes of point clouds and to better preserve their surface outlines.
Without the need and the computation to first construct the underlying
hypergraph, our low complexity approach directly estimates hypergraph spectrum
of point clouds by leveraging hypergraph stationary processes from the observed
3D coordinates. Evaluating the proposed resampling methods with several
metrics, our test results validate the high efficacy of hypergraph
characterization of point clouds and demonstrate the robustness of
hypergraph-based resampling under noisy observations.
- Abstract（参考訳）: 大規模点雲の効率的な処理と特徴抽出は、コンピュータビジョンとサイバー物理システムにおいて重要である。
本研究は,ハイパーグラフ信号処理(hgsp)に基づくポイントクラウド再サンプリングについて検討し,異なるクラウドポイント間の基礎的関係をより深く探求し,輪郭強調特徴を抽出する。
具体的には、点群の信号ノード間の多面的な相互作用を捕捉し、その表面輪郭をよりよく保存するためのハイパーグラフスペクトルフィルタを設計します。
基礎となるハイパーグラフを最初に構築する必要性や計算がなければ、観測された3次元座標からのハイパーグラフ定常過程を利用して、低複雑性のアプローチは点雲のハイパーグラフスペクトルを直接推定する。
提案手法を複数測定値で評価し, 点雲のハイパーグラフ評価の有効性を検証し, ノイズ観測によるハイパーグラフに基づく再サンプリングの頑健性を示す。
関連論文リスト
- Ponder: Point Cloud Pre-training via Neural Rendering [93.34522605321514]
本稿では,識別可能なニューラルエンコーダによる点雲表現の自己教師型学習手法を提案する。
学習したポイントクラウドは、3D検出やセグメンテーションといったハイレベルなレンダリングタスクだけでなく、3D再構成や画像レンダリングといった低レベルなタスクを含む、さまざまなダウンストリームタスクに簡単に統合できる。
論文 参考訳（メタデータ） (2022-12-31T08:58:39Z) - PUFA-GAN: A Frequency-Aware Generative Adversarial Network for 3D Point
Cloud Upsampling [56.463507980857216]
本稿では,点群アップサンプリングのための生成的対向ネットワークを提案する。
基底表面に均等に分布するアップサンプリングポイントを作成できるだけでなく、クリーンな高周波領域を効率的に生成することができる。
論文 参考訳（メタデータ） (2022-03-02T07:47:46Z) - HyperSF: Spectral Hypergraph Coarsening via Flow-based Local Clustering [9.438207505148947]
本稿では,ハイパーグラフのスペクトル(構造)特性を保存するために,効率的なスペクトルハイパーグラフ粗大化手法を提案する。
提案手法は,ハイパーグラフクラスタリングのマルチウェイコンダクタンスを大幅に向上させることができることを示す。
論文 参考訳（メタデータ） (2021-08-17T22:20:23Z) - PC-RGNN: Point Cloud Completion and Graph Neural Network for 3D Object
Detection [57.49788100647103]
LiDARベースの3Dオブジェクト検出は、自動運転にとって重要なタスクです。
現在のアプローチでは、遠方および閉ざされた物体の偏りと部分的な点雲に苦しむ。
本稿では,この課題を2つの解決法で解決する新しい二段階アプローチ,pc-rgnnを提案する。
論文 参考訳（メタデータ） (2020-12-18T18:06:43Z) - Graphite: GRAPH-Induced feaTure Extraction for Point Cloud Registration [80.69255347486693]
我々は、シンプルな機能とキーポイント検出器である Graph-induced feaTure extract Pipeline を導入する。
我々は,点クラウド領域を記述し,有意な点を抽出する汎用的なグラフベース学習手法を構築した。
我々は3Dキーポイントパイプラインをグラフニューラルネットワークで再構成し、ポイントセットの効率的な処理を可能にする。
論文 参考訳（メタデータ） (2020-10-18T19:41:09Z) - Learning Graph-Convolutional Representations for Point Cloud Denoising [31.557988478764997]
本稿では,学習ベースのポイントクラウド処理手法で発生する置換不変問題に対処可能なディープニューラルネットワークを提案する。
ネットワークは完全に畳み込み可能で、近傍グラフを動的に構築することで、機能の複雑な階層を構築することができる。
特に高騒音レベルと実LiDARスキャンで遭遇したような構造ノイズの存在の両方において堅牢である。
論文 参考訳（メタデータ） (2020-07-06T08:11:28Z) - Hypergraph Spectral Analysis and Processing in 3D Point Cloud [80.25162983501308]
3Dポイントクラウドは、3Dオブジェクトや周囲を特徴付ける基本的なデータ構造になっている。
3次元点雲を効率的に処理するには、基礎となる構造と外周騒音に適したモデルが常に重要である。
本稿では,高速な解析と処理が可能なハイパーグラフベースの新しいポイントクラウドモデルを提案する。
論文 参考訳（メタデータ） (2020-01-08T05:30:16Z)
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。