論文の概要: 3D Brain Reconstruction by Hierarchical Shape-Perception Network from a
Single Incomplete Image
- arxiv url: http://arxiv.org/abs/2107.11010v1
- Date: Fri, 23 Jul 2021 03:20:42 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-26 13:47:09.067627
- Title: 3D Brain Reconstruction by Hierarchical Shape-Perception Network from a
Single Incomplete Image
- Title(参考訳): 不完全画像からの階層的形状知覚ネットワークによる3次元脳再構成
- Authors: Bowen Hu, Baiying Lei, Yong Liu, Min Gan, Bingchuan Wang, Shuqiang
Wang
- Abstract要約: 特定の脳の3次元点雲(PC)を再構成するために,新しい階層型形状知覚ネットワーク(HSPN)を提案する。
提案したHSPNでは、3次元形状知覚と完成が自然に達成される。
- 参考スコア(独自算出の注目度): 20.133967825823312
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: 3D shape reconstruction is essential in the navigation of minimally-invasive
and auto robot-guided surgeries whose operating environments are indirect and
narrow, and there have been some works that focused on reconstructing the 3D
shape of the surgical organ through limited 2D information available. However,
the lack and incompleteness of such information caused by intraoperative
emergencies (such as bleeding) and risk control conditions have not been
considered. In this paper, a novel hierarchical shape-perception network (HSPN)
is proposed to reconstruct the 3D point clouds (PCs) of specific brains from
one single incomplete image with low latency. A tree-structured predictor and
several hierarchical attention pipelines are constructed to generate point
clouds that accurately describe the incomplete images and then complete these
point clouds with high quality. Meanwhile, attention gate blocks (AGBs) are
designed to efficiently aggregate geometric local features of incomplete PCs
transmitted by hierarchical attention pipelines and internal features of
reconstructing point clouds. With the proposed HSPN, 3D shape perception and
completion can be achieved spontaneously. Comprehensive results measured by
Chamfer distance and PC-to-PC error demonstrate that the performance of the
proposed HSPN outperforms other competitive methods in terms of qualitative
displays, quantitative experiment, and classification evaluation.
- Abstract(参考訳): 3次元形状復元は,手術環境が間接的かつ狭く,手術臓器の3次元形状を限られた2次元情報で再構築することに焦点を当てた,最小侵襲かつ自己誘導型手術のナビゲーションに不可欠である。
しかし, 術中の緊急時(出血など)やリスク管理条件による情報の欠如や不完全性は考慮されていない。
本稿では,新しい階層型形状知覚ネットワーク(HSPN)を提案し,低レイテンシで1つの不完全な画像から特定の脳の3次元点雲(PC)を再構成する。
木構造予測器と複数の階層的な注目パイプラインを構築し、不完全な画像を正確に記述した点雲を生成し、高品質な点雲を完成させる。
一方、アテンションゲートブロック(agbs)は階層的アテンションパイプラインによって伝達される不完全なpcの幾何学的局所的特徴と再構成点雲の内部的特徴を効率的に集約するように設計されている。
提案したHSPNでは、3次元形状知覚と完成が自然に達成される。
Chamfer 距離と PC-to-PC 誤差によって測定された総合的な結果から,提案した HSPN の性能は,定性的表示,定量的実験,分類評価の点で,他の競合手法よりも優れていることが示された。
関連論文リスト
- Self-supervised 3D Point Cloud Completion via Multi-view Adversarial Learning [61.14132533712537]
我々は、オブジェクトレベルとカテゴリ固有の幾何学的類似性の両方を効果的に活用するフレームワークであるMAL-SPCを提案する。
私たちのMAL-SPCは3Dの完全な監視を一切必要とせず、各オブジェクトに1つの部分点クラウドを必要とするだけです。
論文 参考訳(メタデータ) (2024-07-13T06:53:39Z) - SG-GAN: Fine Stereoscopic-Aware Generation for 3D Brain Point Cloud
Up-sampling from a Single Image [18.30982492742905]
高密度脳点雲を生成するために,SG-GANと呼ばれる新しいモデルを提案する。
このモデルは、視覚的品質、客観的測定、および分類における性能の点で優れた性能を示す。
論文 参考訳(メタデータ) (2023-05-22T02:42:12Z) - Flattening-Net: Deep Regular 2D Representation for 3D Point Cloud
Analysis [66.49788145564004]
我々は、任意の幾何学と位相の不規則な3次元点雲を表現するために、Flattning-Netと呼ばれる教師なしのディープニューラルネットワークを提案する。
我々の手法は、現在の最先端の競合相手に対して好意的に機能する。
論文 参考訳(メタデータ) (2022-12-17T15:05:25Z) - Towards Confidence-guided Shape Completion for Robotic Applications [6.940242990198]
深層学習は、部分的な視覚データから完全な3Dオブジェクト表現を推測する効果的な方法として牽引され始めている。
本稿では,各再構成点に対する信頼度を示す暗黙の3次元表現に基づくオブジェクト形状完備化手法を提案する。
再構成された形状と地上の真実を比較し,ロボットの把握パイプラインに形状完了アルゴリズムを配置することにより,我々のアプローチを実験的に検証する。
論文 参考訳(メタデータ) (2022-09-09T13:48:24Z) - NeurAR: Neural Uncertainty for Autonomous 3D Reconstruction [64.36535692191343]
暗黙の神経表現はオフラインの3D再構成において魅力的な結果を示しており、オンラインSLAMシステムの可能性も最近示している。
本論文は,1)新しい表現に基づく視点計画の質を評価するための基準を求めること,2)手作りではなく,異なる場面に一般化可能なデータから基準を学習すること,の2つの課題に対処する。
本手法は, TSDFを用いた変形モデルやビュープランニングなしでの再構成モデルと比較した場合, レンダリングされた画像品質と再構成された3次元モデルの幾何学的品質について, 様々な指標について有意な改善を示す。
論文 参考訳(メタデータ) (2022-07-22T10:05:36Z) - Enforcing connectivity of 3D linear structures using their 2D
projections [54.0598511446694]
本稿では,2次元投影におけるトポロジ認識損失の総和を最小化することにより,結果の3次元接続性を改善することを提案する。
これにより、精度の向上と、アノテーション付きトレーニングデータの提供に必要なアノテーションの労力の削減が図られる。
論文 参考訳(メタデータ) (2022-07-14T11:42:18Z) - A Point Cloud Generative Model via Tree-Structured Graph Convolutions
for 3D Brain Shape Reconstruction [31.436531681473753]
センサスキャンなどの物理的手法を用いて,術中3次元形状情報を得ることはほとんど不可能である。
本稿では,1つの2次元画像を用いて脳の3次元点雲(PC)を再構成するGANアーキテクチャを提案する。
論文 参考訳(メタデータ) (2021-07-21T07:57:37Z) - 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) - GRNet: Gridding Residual Network for Dense Point Cloud Completion [54.43648460932248]
完全な3Dポイントクラウドを不完全なクラウドから推定することは、多くのビジョンやロボティクスアプリケーションにおいて重要な問題である。
本稿では,ポイントクラウド補完のための新しいGridding Residual Network(GRNet)を提案する。
実験結果から,提案したGRNetはShapeNet,Completion3D,KITTIベンチマークの最先端手法に対して良好に動作することがわかった。
論文 参考訳(メタデータ) (2020-06-06T02:46:39Z)
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。