論文の概要: Cycle4Completion: Unpaired Point Cloud Completion using Cycle Transformation with Missing Region Coding

• arxiv url: http://arxiv.org/abs/2103.07838v1
• Date: Sun, 14 Mar 2021 03:52:53 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-16 14:11:39.279023
• Title: Cycle4Completion: Unpaired Point Cloud Completion using Cycle Transformation with Missing Region Coding
• Title（参考訳）: Cycle4Completion:Missing Region Codingを用いたCycle Transformationによる不対点クラウド補完
• Authors: Xin Wen and Zhizhong Han and Yan-Pei Cao and Pengfei Wan and Wen Zheng and Yu-Shen Liu
• Abstract要約: 完全形状の潜在空間と不完全空間の2つの同時サイクル変換を提案する。 本研究では,学習した双方向ジオメトリ対応モデルが最新非対向補完法を上回っていることを示した。
• 参考スコア（独自算出の注目度）: 57.23678891670394
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we present a novel unpaired point cloud completion network, named Cycle4Completion, to infer the complete geometries from a partial 3D object. Previous unpaired completion methods merely focus on the learning of geometric correspondence from incomplete shapes to complete shapes, and ignore the learning in the reverse direction, which makes them suffer from low completion accuracy due to the limited 3D shape understanding ability. To address this problem, we propose two simultaneous cycle transformations between the latent spaces of complete shapes and incomplete ones. The insight of cycle transformation is to promote networks to understand 3D shapes by learning to generate complete or incomplete shapes from their complementary ones. Specifically, the first cycle transforms shapes from incomplete domain to complete domain, and then projects them back to the incomplete domain. This process learns the geometric characteristic of complete shapes, and maintains the shape consistency between the complete prediction and the incomplete input. Similarly, the inverse cycle transformation starts from complete domain to incomplete domain, and goes back to complete domain to learn the characteristic of incomplete shapes. We provide a comprehensive evaluation in experiments, which shows that our model with the learned bidirectional geometry correspondence outperforms state-of-the-art unpaired completion methods.
• Abstract（参考訳）: 本稿では,部分3dオブジェクトから全測地線を推定するcycle4completionという,新しい非ペアレッド点クラウド補完ネットワークを提案する。 従来未完成な完成法は、不完全な形状から完全な形状への幾何学的対応の学習にのみ焦点を合わせ、逆方向の学習を無視することで、3次元形状理解能力の制限による完成精度の低下を招いた。 そこで本研究では, 完全形状の潜在空間と不完全空間の2つの周期変換を提案する。 サイクル変換の洞察は、ネットワークが相補的な形状から完全または不完全な形状を生成するように学習することで、3d形状を理解するよう促進することである。 具体的には、最初のサイクルは不完全ドメインから完全ドメインへ形を変換し、その後不完全ドメインに投影する。 このプロセスは完全形状の幾何学的特徴を学習し、完全予測と不完全入力の間の形状整合性を維持する。 同様に、逆サイクル変換は完全なドメインから不完全なドメインへ始まり、不完全なシェイプの特徴を学ぶために完全なドメインに戻ります。 実験の包括的評価を行い、学習した双方向形状対応モデルが、最先端の非ペアリング補完法よりも優れていることを示す。

関連論文リスト

• Self-supervised Shape Completion via Involution and Implicit Correspondences [89.18705005095359]
  3次元形状の完成は、教師付きトレーニングや、完全な形状の例による分布学習によって伝統的に解決される。 近年, 完全な3次元形状の例を必要としない自己指導型学習手法が注目されている。 形状完遂作業のための非対角的自己教師型手法を提案する。
  論文  参考訳（メタデータ） (2024-09-24T10:04:38Z)
• Geometrically Consistent Partial Shape Matching [50.29468769172704]
  3次元形状の対応を見つけることは、コンピュータビジョンとグラフィックスにおいて重要な問題である。 しばしば無視されるが、整合幾何学の重要な性質は整合性である。 本稿では,新しい整数型線形計画部分形状整合式を提案する。
  論文  参考訳（メタデータ） (2023-09-10T12:21:42Z)
• Implicit Shape Completion via Adversarial Shape Priors [46.48590354256945]
  部分点雲の完全化のためのニューラル暗黙的形状法を提案する。 条件付きDeep-SDFアーキテクチャと学習済みの逆形状の事前処理を組み合わせる。 我々はPointNet++識別器を訓練し、生成元が可塑性で一貫した再構成を生成することを示唆する。
  論文  参考訳（メタデータ） (2022-04-21T12:49:59Z)
• MFM-Net: Unpaired Shape Completion Network with Multi-stage Feature Matching [38.63975659511946]
  我々は、幾何学的対応の学習を多段階に分解する、MFM-Netと呼ばれる新しい不対形状完備ネットワークを提案する。 MFM-Netは、完全な形状と不完全な形状の間の幾何学的対応を確立するために、より包括的な理解を利用する。
  論文  参考訳（メタデータ） (2021-11-23T16:10:06Z)
• Unsupervised 3D Shape Completion through GAN Inversion [116.27680045885849]
  本稿では,GAN(Generative Adrial Network)インバージョンを導入したShapeInversionについて紹介する。 ShapeInversionは、与えられた部分入力に最も適した完全な形状を与える潜在コードを探すことで、完全な形状で事前訓練されたGANを使用する。 shapenetベンチマークでは、shapeinversion は sota unsupervised メソッドよりも優れており、ペアデータを用いて学習される教師ありメソッドに匹敵する。
  論文  参考訳（メタデータ） (2021-04-27T17:53:46Z)
• PMP-Net: Point Cloud Completion by Learning Multi-step Point Moving Paths [54.459879603473034]
  我々はPMP-Netと呼ばれる新しいニューラルネットワークを設計し、地球移動体の動作を模倣する。 不完全な入力の各点を移動させ、ポイントクラウドを完結させ、ポイント移動パスの合計距離が最も短くなる。 点レベルの厳密でユニークな対応を学習し、不完全な形状と完全なターゲットの間の詳細なトポロジーと構造的関係を捉えることができる。
  論文  参考訳（メタデータ） (2020-12-07T01:34:38Z)
• Weakly-supervised 3D Shape Completion in the Wild [91.04095516680438]
  非整合および実世界の部分点雲から3次元完全形状を学習する問題に対処する。 複数の部分的な観察から3次元標準形状と6-DoFのアライメントを推定する弱い教師付き手法を提案する。 合成データと実データの両方の実験では、形状やポーズを伴わずに大規模なデータを通じて3次元形状の完成を学習することは可能であり、有望であることが示された。
  論文  参考訳（メタデータ） (2020-08-20T17:53:42Z)

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。