論文の概要: SnowflakeNet: Point Cloud Completion by Snowflake Point Deconvolution
with Skip-Transformer
- arxiv url: http://arxiv.org/abs/2108.04444v1
- Date: Tue, 10 Aug 2021 04:33:37 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-11 14:24:24.320698
- Title: SnowflakeNet: Point Cloud Completion by Snowflake Point Deconvolution
with Skip-Transformer
- Title(参考訳): snowflakenet:skip-transformerを用いたsnowflake point deconvolutionによるポイントクラウド完成
- Authors: Peng Xiang, Xin Wen, Yu-Shen Liu, Yan-Pei Cao, Pengfei Wan, Wen Zheng,
Zhizhong Han
- Abstract要約: 完全点雲を生成するために,Snowflake Point Deconvolution (SPD) を用いたSnowflakeNetを提案する。
SPDは、局所的に最も適した点分割パターンを学習する。
我々の実験結果は,広く使用されているベンチマークにおいて,最先端のクラウド補完手法よりも優れていた。
- 参考スコア(独自算出の注目度): 54.45987960347304
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Point cloud completion aims to predict a complete shape in high accuracy from
its partial observation. However, previous methods usually suffered from
discrete nature of point cloud and unstructured prediction of points in local
regions, which makes it hard to reveal fine local geometric details on the
complete shape. To resolve this issue, we propose SnowflakeNet with Snowflake
Point Deconvolution (SPD) to generate the complete point clouds. The
SnowflakeNet models the generation of complete point clouds as the
snowflake-like growth of points in 3D space, where the child points are
progressively generated by splitting their parent points after each SPD. Our
insight of revealing detailed geometry is to introduce skip-transformer in SPD
to learn point splitting patterns which can fit local regions the best.
Skip-transformer leverages attention mechanism to summarize the splitting
patterns used in the previous SPD layer to produce the splitting in the current
SPD layer. The locally compact and structured point cloud generated by SPD is
able to precisely capture the structure characteristic of 3D shape in local
patches, which enables the network to predict highly detailed geometries, such
as smooth regions, sharp edges and corners. Our experimental results outperform
the state-of-the-art point cloud completion methods under widely used
benchmarks. Code will be available at
https://github.com/AllenXiangX/SnowflakeNet.
- Abstract(参考訳): ポイント雲の完成は、その部分的な観測から高精度に完全な形状を予測することを目的としている。
しかし、従来の手法は通常、点雲の離散的性質と局所領域における点の非構造的予測に苦しむため、完全な形状の詳細な局所幾何学的詳細を明らかにすることは困難である。
この問題を解決するために,Snowflake Point Deconvolution (SPD) を用いたSnowflakeNetを提案する。
スノーフレークネットは3次元空間における点のスノーフレーク的成長として完全点雲の生成をモデル化し、そこでは各spdの後に親点を分割して子点が徐々に生成される。
詳細な幾何学を明らかにする上での洞察は,ローカル領域に最適な点分割パターンを学習するために,SPDにスキップ変換器を導入することである。
スキップ変換器は注意機構を利用して、前のSPD層で使われる分割パターンを要約し、現在のSPD層で分割を生成する。
SPDによって生成された局所的コンパクトで構造化された点雲は、局所的なパッチにおける3次元形状の構造特性を正確に捉え、スムーズな領域、鋭いエッジ、角といった高度に詳細なジオメトリを予測できる。
実験結果は,広く使用されているベンチマークにおいて,最先端のクラウド補完手法を上回っている。
コードはhttps://github.com/AllenXiangX/SnowflakeNetで入手できる。
関連論文リスト
- 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) - PMP-Net++: Point Cloud Completion by Transformer-Enhanced Multi-step
Point Moving Paths [60.32185890237936]
我々は、地球移動体の動作を模倣する新しいニューラルネットワーク、PMP-Net++を設計する。
不完全入力の各点を移動させ、点移動経路(PMP)の総距離が最短となる完全点雲を得る。
ネットワークは点レベルの厳密でユニークな対応を学習し、予測された完全形状の品質を向上させる。
論文 参考訳(メタデータ) (2022-02-19T03:00:40Z) - Snowflake Point Deconvolution for Point Cloud Completion and Generation
with Skip-Transformer [60.32185890237936]
完全点雲を生成するために,Snowflake Point Deconvolution (SPD) を用いたSnowflakeNetを提案する。
SPDは、完全点雲の生成を雪片のような点の成長としてモデル化し、それぞれのSPD後に親点を分割することで、子点を徐々に生成する。
詳細な幾何学を明らかにする上での洞察は,ローカル領域に最適な点分割パターンを学習するために,SPDにスキップ変換器を導入することである。
論文 参考訳(メタデータ) (2022-02-18T17:09:49Z) - CarveNet: Carving Point-Block for Complex 3D Shape Completion [27.65423395944538]
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。
論文 参考訳(メタデータ) (2021-07-28T16:07:20Z) - PMP-Net: Point Cloud Completion by Learning Multi-step Point Moving
Paths [54.459879603473034]
我々はPMP-Netと呼ばれる新しいニューラルネットワークを設計し、地球移動体の動作を模倣する。
不完全な入力の各点を移動させ、ポイントクラウドを完結させ、ポイント移動パスの合計距離が最も短くなる。
点レベルの厳密でユニークな対応を学習し、不完全な形状と完全なターゲットの間の詳細なトポロジーと構造的関係を捉えることができる。
論文 参考訳(メタデータ) (2020-12-07T01:34:38Z) - Point Cloud Completion by Skip-attention Network with Hierarchical
Folding [61.59710288271434]
本研究では,3Dポイントクラウド補完のためのSkip-Attention Network (SA-Net)を提案する。
まず,不完全点雲の局所構造を効果的に活用するためのスキップアテンション機構を提案する。
第二に、異なる解像度でスキップアテンション機構によって符号化された選択された幾何情報を完全に活用するために、新しい構造保存デコーダを提案する。
論文 参考訳(メタデータ) (2020-05-08T06:23:51Z) - PF-Net: Point Fractal Network for 3D Point Cloud Completion [6.504317278066694]
ポイントフラクタルネットワーク(PF-Net)は、正確かつ高忠実なポイントクラウド補完のための新しい学習ベースのアプローチである。
PF-Netは不完全点雲の空間配置を保存し、その予測において欠落領域の詳細な幾何学的構造を把握できる。
本実験は,いくつかの難点クラウド完了タスクにおいて,本手法の有効性を示すものである。
論文 参考訳(メタデータ) (2020-03-01T05:40:21Z)
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。