論文の概要: "Zero Shot" Point Cloud Upsampling

• arxiv url: http://arxiv.org/abs/2106.13765v1
• Date: Fri, 25 Jun 2021 17:06:18 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-28 13:04:55.705421
• Title: "Zero Shot" Point Cloud Upsampling
• Title（参考訳）: 「ゼロショット」ポイントクラウドアップサンプリング
• Authors: Kaiyue Zhou, Ming Dong, Suzan Arslanturk
• Abstract要約: 本稿では,Zero Shot" Point Cloud Upsampling (ZSPU) と呼ばれる点群を総括的に監視する手法を提案する。 我々のアプローチは、自己学習とテストの両方のフェーズにパッチを当てることなく、特定のポイントクラウドによって提供される内部情報のみに基づいています。 ZSPUは、複雑な局所的な詳細や高い曲率を持つ形状の質的な結果を得る。
• 参考スコア（独自算出の注目度）: 4.737519767218666
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Point cloud upsampling using deep learning has been paid various efforts in the past few years. Recent supervised deep learning methods are restricted to the size of training data and is limited in terms of covering all shapes of point clouds. Besides, the acquisition of such amount of data is unrealistic, and the network generally performs less powerful than expected on unseen records. In this paper, we present an unsupervised approach to upsample point clouds internally referred as "Zero Shot" Point Cloud Upsampling (ZSPU) at holistic level. Our approach is solely based on the internal information provided by a particular point cloud without patching in both self-training and testing phases. This single-stream design significantly reduces the training time of the upsampling task, by learning the relation between low-resolution (LR) point clouds and their high (original) resolution (HR) counterparts. This association will provide super-resolution (SR) outputs when original point clouds are loaded as input. We demonstrate competitive performance on benchmark point cloud datasets when compared to other upsampling methods. Furthermore, ZSPU achieves superior qualitative results on shapes with complex local details or high curvatures.
• Abstract（参考訳）: ディープラーニングを使ったポイントクラウドのアップサンプリングは、ここ数年でさまざまな成果を上げている。 近年の教師付き深層学習法は, 訓練データのサイズに制限されており, 点雲の形状を網羅する点で制限されている。 さらに、そのような量のデータの取得は非現実的であり、ネットワークは一般に、見当たらないレコードで期待されたほど強力ではない。 本稿では,ゼロショット (Zero Shot) Point Cloud Upsampling (ZSPU) と呼ばれる点群を包括的に監視する手法を提案する。 我々のアプローチは、自己学習とテストの両方のフェーズにパッチを当てることなく、特定のポイントクラウドが提供する内部情報のみに基づいています。 このシングルストリーム設計は、低解像度(LR)点雲と高解像度(HR)雲の関係を学習することにより、アップサンプリングタスクのトレーニング時間を著しく短縮する。 このアソシエーションは、元の点雲が入力としてロードされたときに超解像(SR)出力を提供する。 ベンチマークポイントクラウドデータセット上で、他のアップサンプリング手法と比較して、競合性能を示す。 さらに、ZSPUは複雑な局所的な詳細や高い曲率を持つ形状の質的な結果を得る。

関連論文リスト

• BIMS-PU: Bi-Directional and Multi-Scale Point Cloud Upsampling [60.257912103351394]
  我々はBIMS-PUと呼ばれる新しいポイント・クラウド・アップサンプリング・パイプラインを開発した。 対象のサンプリング因子を小さな因子に分解することにより,アップ/ダウンサンプリング手順をいくつかのアップ/ダウンサンプリングサブステップに分解する。 提案手法は最先端手法よりも優れた結果が得られることを示す。
  論文  参考訳（メタデータ） (2022-06-25T13:13:37Z)
• Self-Supervised Arbitrary-Scale Point Clouds Upsampling via Implicit Neural Representation [79.60988242843437]
  そこで本研究では,自己監督型および倍率フレキシブルな点雲を同時にアップサンプリングする手法を提案する。 実験結果から, 自己教師あり学習に基づく手法は, 教師あり学習に基づく手法よりも, 競争力や性能が向上することが示された。
  論文  参考訳（メタデータ） (2022-04-18T07:18:25Z)
• Upsampling Autoencoder for Self-Supervised Point Cloud Learning [11.19408173558718]
  人間のアノテーションを使わずに、ポイントクラウド学習のための自己教師付き事前学習モデルを提案する。 アップサンプリング操作は、ポイントクラウドの高レベルセマンティック情報と低レベル幾何情報の両方を捕捉することをネットワークに促す。 我々のUAEは、形状分類、部分分割、点雲アップサンプリングタスクにおいて、従来の最先端手法よりも優れています。
  論文  参考訳（メタデータ） (2022-03-21T07:20:37Z)
• High-Fidelity Point Cloud Completion with Low-Resolution Recovery and Noise-Aware Upsampling [7.1930172833530195]
  我々はまず、低解像度(低解像度)の点雲をデコードし、洗練することを提案する。 スパースで完全点クラウドを得た後、パッチワイズアップサンプリング戦略を提案する。
  論文  参考訳（メタデータ） (2021-12-21T14:51:52Z)
• Revisiting Point Cloud Simplification: A Learnable Feature Preserving Approach [57.67932970472768]
  MeshとPoint Cloudの単純化手法は、3Dモデルの複雑さを低減しつつ、視覚的品質と関連する健全な機能を維持することを目的としている。 そこで本研究では,正解点の標本化を学習し,高速点雲の簡易化手法を提案する。 提案手法は、入力空間から任意のユーザ定義の点数を選択し、視覚的知覚誤差を最小限に抑えるために、その位置を再配置するよう訓練されたグラフニューラルネットワークアーキテクチャに依存する。
  論文  参考訳（メタデータ） (2021-09-30T10:23:55Z)
• Point Cloud Pre-training by Mixing and Disentangling [35.18101910728478]
  Mixing and Disentangling (MD)は、ポイントクラウド事前トレーニングのための自己教師付き学習アプローチである。 我々は,エンコーダ+我々の(MD)が,スクラッチから訓練したエンコーダを著しく上回り,迅速に収束することを示す。 この自己教師型学習によるポイントクラウドの試みが、大規模ラベル付きデータへの深い学習モデル依存を減らす道を開くことを願っている。
  論文  参考訳（メタデータ） (2021-09-01T15:52:18Z)
• SSPU-Net: Self-Supervised Point Cloud Upsampling via Differentiable Rendering [21.563862632172363]
  地中真理を使わずに高密度の点雲を生成するための自己教師付き点雲アップサンプリングネットワーク(SSPU-Net)を提案する。 これを実現するために,入力スパース点雲と高密度点雲との整合性を利用して画像の形状と描画を行う。
  論文  参考訳（メタデータ） (2021-08-01T13:26:01Z)
• SPU-Net: Self-Supervised Point Cloud Upsampling by Coarse-to-Fine Reconstruction with Self-Projection Optimization [52.20602782690776]
  実際のスキャンされたスパースデータからトレーニング用の大規模なペアリングスパーススキャンポイントセットを得るのは高価で面倒です。 本研究では,SPU-Net と呼ばれる自己監視型点群アップサンプリングネットワークを提案する。 本研究では,合成データと実データの両方について様々な実験を行い,最先端の教師付き手法と同等の性能が得られることを示す。
  論文  参考訳（メタデータ） (2020-12-08T14:14:09Z)
• Learning Gradient Fields for Shape Generation [69.85355757242075]
  点雲は、その形状の表面に密度が集中している3D点の分布からサンプルと見なすことができる。 非正規化確率密度の勾配上昇を行うことで点雲を生成する。 本モデルは,ログ密度場の勾配を直接予測し,スコアベース生成モデルに適応した単純な目的で学習することができる。
  論文  参考訳（メタデータ） (2020-08-14T18:06:15Z)
• 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)

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。