論文の概要: Orienting Point Clouds with Dipole Propagation

• arxiv url: http://arxiv.org/abs/2105.01604v1
• Date: Tue, 4 May 2021 16:25:36 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-05 13:02:22.436280
• Title: Orienting Point Clouds with Dipole Propagation
• Title（参考訳）: 双極子伝搬による点雲の配向
• Authors: Gal Metzer, Rana Hanocka, Denis Zorin, Raja Giryes, Daniele Panozzo, Daniel Cohen-Or
• Abstract要約: 点雲に対する一貫した正規配向を確立するための新しいアプローチを導入する。 局所的な段階では、パッチごとにコヒーレントな正規方向を学ぶためにニューラルネットワークを訓練します。 グローバルフェーズでは,ダイポール伝搬を用いて全コヒーレントパッチの向きを伝搬する。
• 参考スコア（独自算出の注目度）: 105.4057234622909
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Establishing a consistent normal orientation for point clouds is a notoriously difficult problem in geometry processing, requiring attention to both local and global shape characteristics. The normal direction of a point is a function of the local surface neighborhood; yet, point clouds do not disclose the full underlying surface structure. Even assuming known geodesic proximity, calculating a consistent normal orientation requires the global context. In this work, we introduce a novel approach for establishing a globally consistent normal orientation for point clouds. Our solution separates the local and global components into two different sub-problems. In the local phase, we train a neural network to learn a coherent normal direction per patch (i.e., consistently oriented normals within a single patch). In the global phase, we propagate the orientation across all coherent patches using a dipole propagation. Our dipole propagation decides to orient each patch using the electric field defined by all previously orientated patches. This gives rise to a global propagation that is stable, as well as being robust to nearby surfaces, holes, sharp features and noise.
• Abstract（参考訳）: 点雲に対して一貫した正規配向を確立することは、幾何学処理において非常に難しい問題であり、局所的および大域的形状特性の両方に注意を要する。 点の通常の方向は局所表面近傍の関数であるが、点雲は基礎となる表面構造を完全に開示していない。 既知の測地線近接を仮定しても、一貫した正規方向の計算は大域的な文脈を必要とする。 本稿では,ポイントクラウドに対してグローバルに一貫した正規方向を確立するための新しい手法を提案する。 我々の解は局所成分と大域成分を2つのサブプロブレムに分離する。 局所的なフェーズでは、ニューラルネットワークをトレーニングして、パッチ毎のコヒーレントな正規方向(すなわち、単一パッチ内の一貫した正規化)を学ぶ。 グローバルフェーズでは,ダイポール伝搬を用いて全コヒーレントパッチの向きを伝搬する。 我々の双極子伝播は、以前のすべての配向パッチで定義された電場を用いて各パッチを配向する。 これは、近くの表面、穴、鋭い特徴、ノイズに対して堅牢であるとともに、安定なグローバルな伝播を引き起こす。

関連論文リスト

• Consistent Point Orientation for Manifold Surfaces via Boundary Integration [13.936100784506936]
  我々は、多様体表面からサンプリングされた点雲に対して、大域的に一貫した正規値を生成するための新しいアプローチを導入する。 提案手法は, ノイズ, 外れ値, 複雑なトポロジ, 細い構造に対する強靭性を示す, 最先端の手法より優れる。
  論文  参考訳（メタデータ） (2024-07-03T14:40:21Z)
• SGFormer: Spherical Geometry Transformer for 360 Depth Estimation [54.13459226728249]
  パノラマ歪みは360度深度推定において大きな課題となる。 本稿では,SGFormer という球面形状変換器を提案し,上記の問題に対処する。 また、様々な解像度で空間構造を補うために、クエリベースの大域的条件位置埋め込みを提案する。
  論文  参考訳（メタデータ） (2024-04-23T12:36:24Z)
• NeuralGF: Unsupervised Point Normal Estimation by Learning Neural Gradient Function [55.86697795177619]
  3次元点雲の正規推定は3次元幾何処理の基本的な課題である。 我々は,ニューラルネットワークが入力点雲に適合することを奨励する,ニューラルグラデーション関数の学習のための新しいパラダイムを導入する。 広範に使用されているベンチマークの優れた結果から,本手法は非指向性および指向性正常推定タスクにおいて,より正確な正規性を学習できることが示されている。
  論文  参考訳（メタデータ） (2023-11-01T09:25:29Z)
• Learning Signed Hyper Surfaces for Oriented Point Cloud Normal Estimation [53.19926259132379]
  我々は,符号付きハイパー曲面の学習による点雲の向きの正規分布推定のためのSHS-Netと呼ばれる新しい手法を提案する。 符号付き超曲面は、局所的および大域的な情報を集約する高次元特徴空間において暗黙的に学習される。 注意重み付き正規予測モジュールをデコーダとして提案し,局所およびグローバル潜時符号を入力として向きの正規を推定する。
  論文  参考訳（メタデータ） (2023-05-10T03:40:25Z)
• General Rotation Invariance Learning for Point Clouds via Weight-Feature Alignment [40.421478916432676]
  局所不変参照フレーム(IRF)を構築するために、ウェイト・フィーチャーアライメント(WFA)を提案する。 我々のWFAアルゴリズムは、すべての場面の点雲に対する一般的な解決策を提供する。
  論文  参考訳（メタデータ） (2023-02-20T11:08:07Z)
• Do Not Escape From the Manifold: Discovering the Local Coordinates on the Latent Space of GANs [7.443321740418409]
  本稿では,GAN(Generative Adversarial Networks)の中間潜伏空間上での局所幾何学的軌道方向を求める手法を提案する。 潜在空間の内在的な間隔によって動機づけられた基礎は、部分ネットワークの微分の低ランク近似問題を解くことによって発見される。
  論文  参考訳（メタデータ） (2021-06-13T10:29:42Z)
• Self-Sampling for Neural Point Cloud Consolidation [83.31236364265403]
  本稿では,入力点クラウドのみから学習するニューラルポイントクラウドの統合技術を紹介する。 入力ポイントクラウドを、ディープニューラルネットワークのトレーニングに使用するグローバルサブセットで、繰り返し自己サンプルします。 様々な形状から点集合を集約する能力を示すとともに,出力器やノイズを除去する能力を示す。
  論文  参考訳（メタデータ） (2020-08-14T17:16:02Z)
• A Rotation-Invariant Framework for Deep Point Cloud Analysis [132.91915346157018]
  ネットワーク入力時に一般的な3次元カルト座標を置き換えるために,新しい低レベル純粋回転不変表現を導入する。 また,これらの表現を特徴に組み込むネットワークアーキテクチャを提案し,点とその近傍の局所的関係とグローバルな形状構造を符号化する。 本手法は, 形状分類, 部分分割, 形状検索を含む多点雲解析タスクにおいて評価する。
  論文  参考訳（メタデータ） (2020-03-16T14:04:45Z)

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。