論文の概要: Fast and Accurate Normal Estimation for Point Cloud via Patch Stitching
- arxiv url: http://arxiv.org/abs/2103.16066v1
- Date: Tue, 30 Mar 2021 04:30:35 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-31 14:41:30.817919
- Title: Fast and Accurate Normal Estimation for Point Cloud via Patch Stitching
- Title（参考訳）: パッチストッチングによる点雲の高速かつ正確な正規推定
- Authors: Jun Zhou, Wei Jin, Mingjie Wang, Xiuping Liu, Zhiyang Li and Zhaobin
Liu
- Abstract要約: 非構造点雲に対するマルチパッチ縫合を用いた効果的な正規推定法を提案する。
本手法は,従来の手法に比べて計算コストの低減とノイズに対する堅牢性の向上により,SOTA結果を達成した。
- 参考スコア（独自算出の注目度）: 12.559091712749279
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper presents an effective normal estimation method adopting
multi-patch stitching for an unstructured point cloud. The majority of
learning-based approaches encode a local patch around each point of a whole
model and estimate the normals in a point-by-point manner. In contrast, we
suggest a more efficient pipeline, in which we introduce a patch-level normal
estimation architecture to process a series of overlapping patches.
Additionally, a multi-normal selection method based on weights, dubbed as
multi-patch stitching, integrates the normals from the overlapping patches. To
reduce the adverse effects of sharp corners or noise in a patch, we introduce
an adaptive local feature aggregation layer to focus on an anisotropic
neighborhood. We then utilize a multi-branch planar experts module to break the
mutual influence between underlying piecewise surfaces in a patch. At the
stitching stage, we use the learned weights of multi-branch planar experts and
distance weights between points to select the best normal from the overlapping
parts. Furthermore, we put forward constructing a sparse matrix representation
to reduce large-scale retrieval overheads for the loop iterations dramatically.
Extensive experiments demonstrate that our method achieves SOTA results with
the advantage of lower computational costs and higher robustness to noise over
most of the existing approaches.
- Abstract（参考訳）: 本稿では,非構造点雲に対するマルチパッチ縫合を用いた効果的な正規推定法を提案する。
学習に基づくアプローチの大部分は、モデル全体の各点に局所パッチを符号化し、正規値をポイントバイポイントで見積もる。
対照的に,より効率的なパイプラインを提案し,重複するパッチの処理にパッチレベルの正規推定アーキテクチャを導入する。
さらに、重みに基づく多正規選択法(multi-patch stitching)は、重複するパッチから正規値を統合する。
パッチのシャープコーナーやノイズの悪影響を低減するため,異方性近傍に焦点を合わせるために適応的な局所的特徴集約層を導入する。
次に,マルチブランチ平面エキスパートモジュールを用いて,パッチの下位部分面間の相互影響を破る。
縫合段階では,多枝平面専門家の学習重量と点間距離重量を用いて,重なり合う部分から最適な正規点を選択する。
さらに,ループ繰り返しの大規模検索オーバーヘッドを劇的に低減するために,スパース行列表現を構築した。
提案手法は,計算コストの低減と,既存手法よりも高ロバスト性,高ロバスト性を生かして,SOTA結果が得られることを示す。
関連論文リスト
- MultiPull: Detailing Signed Distance Functions by Pulling Multi-Level Queries at Multi-Step [48.812388649469106]
粗いSDFを粗い値から細かい値に最適化することにより,原点雲から多スケール暗黙フィールドを学習する手法を提案する。
広く使われているオブジェクトとシーンのベンチマーク実験により,この手法は表面再構成における最先端の手法よりも優れていることが示された。
論文 参考訳（メタデータ） (2024-11-02T10:50:22Z) - Asymmetrical Siamese Network for Point Clouds Normal Estimation [13.826173253686726]
本稿では、非対称なシームズネットワークアーキテクチャを用いて、クリーンでノイズの多い点群から学習した本質的な特徴の一貫性について検討する。
異なる枝から抽出された特徴間の合理的な制約を適用することにより、正規推定の品質を高める。
ノイズレベルの異なる様々な形状を含む新しい多視点正規推定データセットを提案する。
論文 参考訳（メタデータ） (2024-06-14T03:07:23Z) - Arbitrary-Scale Point Cloud Upsampling by Voxel-Based Network with
Latent Geometric-Consistent Learning [52.825441454264585]
Voxel-based Network (textbfPU-VoxelNet) を用いた任意のスケールのクラウド・アップサンプリング・フレームワークを提案する。
ボクセル表現から継承された完全性と規則性により、ボクセルベースのネットワークは3次元表面を近似する事前定義されたグリッド空間を提供することができる。
密度誘導グリッド再サンプリング法を開発し、高忠実度点を生成するとともに、サンプリング出力を効果的に回避する。
論文 参考訳（メタデータ） (2024-03-08T07:31:14Z) - CMG-Net: Robust Normal Estimation for Point Clouds via Chamfer Normal
Distance and Multi-scale Geometry [23.86650228464599]
この研究は、点雲から正規度を推定するための正確で堅牢な方法を示す。
まず,この問題に対処するため,シャンファー正規距離(Chamfer Normal Distance)と呼ばれる新しい尺度を提案する。
マルチスケールな局所的特徴集約と階層的幾何情報融合を含む革新的なアーキテクチャを考案する。
論文 参考訳（メタデータ） (2023-12-14T17:23:16Z) - Weighted Point Cloud Normal Estimation [16.26518988623745]
本稿では,3次元点雲データに対する重み付き正規推定手法を提案する。
局所的な点パッチから点の重みを推定する新しい重み付き正規回帰手法を提案する。
提案手法は,合成および実世界の両方のデータセット上で,最先端の性能を実現することで,ノイズや複雑な点群を頑健に処理することができる。
論文 参考訳（メタデータ） (2023-05-06T10:46:56Z) - Patch-aware Batch Normalization for Improving Cross-domain Robustness [55.06956781674986]
クロスドメインタスクは、トレーニングセットとテストセットが異なるディストリビューションに従うと、モデルのパフォーマンスが低下する課題を示す。
パッチ対応バッチ正規化(PBN)と呼ばれる新しい手法を提案する。
画像の局所的なパッチの違いを利用して、提案したPBNはモデルパラメータの堅牢性を効果的に向上させることができる。
論文 参考訳（メタデータ） (2023-04-06T03:25:42Z) - Contrastive Learning for Joint Normal Estimation and Point Cloud
Filtering [12.602645108896636]
本研究では,正規点とフィルタ点の雲を共同で推定する新しいディープラーニング手法を提案する。
まず,3Dパッチに基づくコントラスト学習フレームワークを導入する。
実験の結果,本手法は2つのタスクを同時にサポートし,シャープな特徴と細部を保存できることがわかった。
論文 参考訳（メタデータ） (2022-08-14T09:16:25Z) - AdaFit: Rethinking Learning-based Normal Estimation on Point Clouds [31.641383879577894]
本稿では,AdaFit という,雑音と密度の変動を伴う点雲に対処可能な,点雲上でのロバストな正規推定のためのニューラルネットワークを提案する。
既存の研究では、ネットワークを用いて最小表面の重み付けの点での重みを学習し、正規性を推定している。
そこで本研究では,通常の推定精度を向上させるために,新たなオフセット予測を付加する,シンプルで効果的な解を提案する。
論文 参考訳（メタデータ） (2021-08-12T16:37:24Z) - Deep Shells: Unsupervised Shape Correspondence with Optimal Transport [52.646396621449]
本稿では,3次元形状対応のための教師なし学習手法を提案する。
提案手法は,複数のデータセット上での最先端技術よりも大幅に改善されていることを示す。
論文 参考訳（メタデータ） (2020-10-28T22:24:07Z) - Layer-adaptive sparsity for the Magnitude-based Pruning [88.37510230946478]
本稿では,LAMP(Layer-Adaptive magnitude-based pruning)スコアを用いたグローバルプルーニングの新たな重要点を提案する。
LAMPは、階層的な空間選択のための一般的なスキームを一貫して上回っている。
論文 参考訳（メタデータ） (2020-10-15T09:14:02Z) - Neural Subdivision [58.97214948753937]
本稿では,データ駆動型粗粒度モデリングの新しいフレームワークであるNeural Subdivisionを紹介する。
すべてのローカルメッシュパッチで同じネットワーク重みのセットを最適化するため、特定の入力メッシュや固定属、カテゴリに制約されないアーキテクチャを提供します。
単一の高分解能メッシュでトレーニングしても,本手法は新規な形状に対して合理的な区分を生成する。
論文 参考訳（メタデータ） (2020-05-04T20:03:21Z)
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。