論文の概要: CarveNet: Carving Point-Block for Complex 3D Shape Completion

• arxiv url: http://arxiv.org/abs/2107.13452v1
• Date: Wed, 28 Jul 2021 16:07:20 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-29 13:52:21.032057
• Title: CarveNet: Carving Point-Block for Complex 3D Shape Completion
• Title（参考訳）: CarveNet:複雑な3D形状コンプリートのためのポイントブロック
• Authors: Qing Guo and Zhijie Wang and Felix Juefei-Xu and Di Lin and Lei Ma and Wei Feng and Yang Liu
• Abstract要約: 3次元点雲の完成は複雑な3次元形状の正確な理解に大きく依存している。 複雑な3Dポイントクラウドを実現するために,CarveNetという新しいネットワークアーキテクチャを提案する。 データセット上では、CarveNetは最先端のメソッドよりもパフォーマンスがよい。
• 参考スコア（独自算出の注目度）: 27.65423395944538
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: 3D point cloud completion is very challenging because it heavily relies on the accurate understanding of the complex 3D shapes (e.g., high-curvature, concave/convex, and hollowed-out 3D shapes) and the unknown & diverse patterns of the partially available point clouds. In this paper, we propose a novel solution,i.e., Point-block Carving (PC), for completing the complex 3D point cloud completion. Given the partial point cloud as the guidance, we carve a3D block that contains the uniformly distributed 3D points, yielding the entire point cloud. To achieve PC, we propose a new network architecture, i.e., CarveNet. This network conducts the exclusive convolution on each point of the block, where the convolutional kernels are trained on the 3D shape data. CarveNet determines which point should be carved, for effectively recovering the details of the complete shapes. Furthermore, we propose a sensor-aware method for data augmentation,i.e., SensorAug, for training CarveNet on richer patterns of partial point clouds, thus enhancing the completion power of the network. The extensive evaluations on the ShapeNet and KITTI datasets demonstrate the generality of our approach on the partial point clouds with diverse patterns. On these datasets, CarveNet successfully outperforms the state-of-the-art methods.
• Abstract（参考訳）: 3次元点雲の完成は、複雑な3次元形状(例えば、高曲率、凹凸、中空の3次元形状)と、部分的に利用可能な点雲の未知かつ多様なパターンの正確な理解に大きく依存しているため、非常に難しい。 本稿では,複雑な3次元点雲の完成を完了させるための新しい解,すなわちポイントブロック彫刻(pc)を提案する。 部分的ポイントクラウドをガイダンスとして、一様に分散した3dポイントを含むa3dブロックを作成し、ポイントクラウド全体を生成します。 pcを実現するために,新しいネットワークアーキテクチャ,すなわちcarvenetを提案する。 このネットワークはブロックの各点に排他的畳み込みを行い、3次元形状データに基づいて畳み込みカーネルを訓練する。 CarveNetはどの点を刻むべきかを決定し、完全な形の詳細を効果的に復元する。 さらに,データ拡張のためのセンサ認識手法,すなわちSensorAugを提案し,部分点雲のよりリッチなパターン上でCarveNetを訓練することにより,ネットワークの完成能力を向上する。 ShapeNetとKITTIデータセットの広範な評価は、多様なパターンを持つ部分点雲に対する我々のアプローチの一般化を示している。 これらのデータセット上では、CarveNetは最先端のメソッドをうまく上回っている。

関連論文リスト

• Variational Relational Point Completion Network for Robust 3D Classification [59.80993960827833]
  可変点雲補完法は、局所的な詳細を欠くため、大域的な形状の骨格を生成する傾向がある。 本稿では2つの魅力的な特性を持つ変分フレームワークであるポイントコンプリートネットワーク(VRCNet)を提案する。 VRCNetは、現実世界のポイントクラウドスキャンにおいて、非常に一般化性と堅牢性を示している。
  論文  参考訳（メタデータ） (2023-04-18T17:03:20Z)
• PointAttN: You Only Need Attention for Point Cloud Completion [89.88766317412052]
  ポイント・クラウド・コンプリート(Point cloud completion)とは、部分的な3次元ポイント・クラウドから3次元の形状を完成させることである。 そこで我々は,kNNを除去するために,ポイントクラウドをポイント単位に処理する新しいニューラルネットワークを提案する。 提案するフレームワークであるPointAttNはシンプルで簡潔で効果的であり、3次元形状の構造情報を正確に捉えることができる。
  論文  参考訳（メタデータ） (2022-03-16T09:20:01Z)
• A Conditional Point Diffusion-Refinement Paradigm for 3D Point Cloud Completion [69.32451612060214]
  実スキャンされた3Dポイントクラウドはしばしば不完全であり、下流アプリケーションのために完全なポイントクラウドを復元することが重要である。 ほとんどの既存のポイントクラウド補完方法は、トレーニングにチャンファー距離(CD)損失を使用する。 本稿では,点雲完了のためのPDR(Point Diffusion-Refinement)パラダイムを提案する。
  論文  参考訳（メタデータ） (2021-12-07T06:59:06Z)
• Voint Cloud: Multi-View Point Cloud Representation for 3D Understanding [80.04281842702294]
  本稿では,複数の視点から抽出した特徴の集合として,各3次元点を表す多視点クラウド(Voint Cloud)の概念を紹介する。 この新しい3次元Vointクラウド表現は、3Dポイントクラウド表現のコンパクト性と、マルチビュー表現の自然なビュー認識性を組み合わせたものである。 理論的に確立された機能を持つVointニューラルネットワーク(VointNet)をデプロイし,Voint空間の表現を学習する。
  論文  参考訳（メタデータ） (2021-11-30T13:08:19Z)
• Variational Relational Point Completion Network [41.98957577398084]
  既存のポイントクラウド補完メソッドは、グローバルシェイプスケルトンを生成し、細かいローカル詳細を欠いています。 本稿では,2つの特性を持つ変分点コンプリートネットワーク(VRCNet)を提案する。 VRCNetは、現実世界のポイントクラウドスキャンで、大きな可能性と堅牢性を示します。
  論文  参考訳（メタデータ） (2021-04-20T17:53:40Z)
• ParaNet: Deep Regular Representation for 3D Point Clouds [62.81379889095186]
  ParaNetは、3Dポイントクラウドを表現するための新しいエンドツーエンドのディープラーニングフレームワークである。 不規則な3D点雲を通常の2Dカラー画像に変換する。 多視点投影とボキセル化に基づく従来の正規表現法とは異なり、提案した表現は微分可能で可逆である。
  論文  参考訳（メタデータ） (2020-12-05T13:19:55Z)
• 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。