論文の概要: PC2-PU: Patch Correlation and Position Correction for Effective Point Cloud Upsampling

• arxiv url: http://arxiv.org/abs/2109.09337v1
• Date: Mon, 20 Sep 2021 07:40:20 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-21 16:26:30.111941
• Title: PC2-PU: Patch Correlation and Position Correction for Effective Point Cloud Upsampling
• Title（参考訳）: pc2-pu:効果的なポイントクラウドアップサンプリングのためのパッチ相関と位置補正
• Authors: Chen Long, Wenxiao Zhang, Ruihui Li, Hao Wang, Zhen Dong, Bisheng Yang
• Abstract要約: 点雲アップサンプリングは、3Dセンサーから取得したスパース点を密度化することである。 既存の方法は単一のパッチ上でアップサンプリングを行い、表面全体のコヒーレンスと関係を無視している。 本稿では,より堅牢で改良された性能を実現するために,より効率的な点群アップサンプリング法を提案する。
• 参考スコア（独自算出の注目度）: 12.070762117164092
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Point cloud upsampling is to densify a sparse point set acquired from 3D sensors, providing a denser representation for underlying surface. However, existing methods perform upsampling on a single patch, ignoring the coherence and relation of the entire surface, thus limiting the upsampled capability. Also, they mainly focus on a clean input, thus the performance is severely compromised when handling scenarios with extra noises. In this paper, we present a novel method for more effective point cloud upsampling, achieving a more robust and improved performance. To this end, we incorporate two thorough considerations. i) Instead of upsampling each small patch independently as previous works, we take adjacent patches as input and introduce a Patch Correlation Unit to explore the shape correspondence between them for effective upsampling. ii)We propose a Position Correction Unit to mitigate the effects of outliers and noisy points. It contains a distance-aware encoder to dynamically adjust the generated points to be close to the underlying surface. Extensive experiments demonstrate that our proposed method surpasses previous upsampling methods on both clean and noisy inputs.
• Abstract（参考訳）: ポイントクラウドアップサンプリング(point cloud upsampling)は、3dセンサーから取得したスパースポイントセットを密度化し、基礎となる表面のより密な表現を提供する。 しかし、既存の方法は単一のパッチでアップサンプリングを行い、コヒーレンスや表面全体の関係を無視し、アップサンプリング能力を制限する。 また、主にクリーンな入力に重点を置いているため、余分なノイズを伴うシナリオを扱う場合、パフォーマンスが著しく損なわれる。 本稿では,より堅牢で優れた性能を実現するために,より効率的な点群アップサンプリング法を提案する。 この目的のために、我々は2つの徹底的な考察を取り入れた。 一 従来の作業と独立して各小パッチをアップサンプリングする代わりに、隣接パッチを入力とし、パッチ相関ユニットを導入し、それらの間の形状対応を調べて効果的なアップサンプリングを行う。 ii)外乱点と雑音点の効果を緩和する位置補正ユニットを提案する。 距離対応エンコーダを備えており、生成した点を下地表面に近いように動的に調整する。 提案手法は, クリーン入力とノイズ入力の両方において, 従来のアップサンプリング手法より優れていることを示す。

関連論文リスト

• Enhancing Sampling Protocol for Robust Point Cloud Classification [7.6224558218559855]
  実世界のデータは、現在のプロトコルにおける点雲の良性の仮定に反するセンサノイズなど、しばしば干渉に悩まされる。 1)キーポイント識別のためのダウンサンプリング,2)フレキシブルなサンプルサイズのためのリサンプリングの2つのコンポーネントからなるポイントクラウドサンプリングプロトコルであるポイントDRを提案する。
  論文  参考訳（メタデータ） (2024-08-22T01:48:31Z)
• Learning Continuous Implicit Field with Local Distance Indicator for Arbitrary-Scale Point Cloud Upsampling [55.05706827963042]
  点雲アップサンプリングは、疎点雲から密度が高く均一に分散した点集合を生成することを目的としている。 従来のメソッドは通常、スパースポイントクラウドをいくつかのローカルパッチ、アップサンプルパッチポイント、すべてのアップサンプルパッチにマージする。 そこで本研究では,点雲のアップサンプリングのために,局所的な先行者によって導かれる符号のない距離場を学習する手法を提案する。
  論文  参考訳（メタデータ） (2023-12-23T01:52:14Z)
• iPUNet:Iterative Cross Field Guided Point Cloud Upsampling [20.925921503694894]
  3Dスキャン装置によって取得される点雲は、しばしば疎く、ノイズが多く、一様ではないため、幾何学的特徴が失われる。 任意の比率で高密度および均一な点を生成する学習ベースポイントアップサンプリング手法iPUNetを提案する。 iPUNetは、ノイズや不均一に分散された入力を処理し、最先端のクラウドサンプリング手法より優れていることを示す。
  論文  参考訳（メタデータ） (2023-10-13T13:24:37Z)
• Grad-PU: Arbitrary-Scale Point Cloud Upsampling via Gradient Descent with Learned Distance Functions [77.32043242988738]
  我々は、任意のアップサンプリングレートをサポートする、正確なポイントクラウドアップサンプリングのための新しいフレームワークを提案する。 提案手法は,まず,所定のアップサンプリング率に応じて低解像度の雲を補間する。
  論文  参考訳（メタデータ） (2023-04-24T06:36:35Z)
• Lidar Upsampling with Sliced Wasserstein Distance [38.79696730246419]
  微粒なライダースキャンパターンを再構成できるライダー点雲アップサンプリング法を提案する。 鍵となる考え方は、エッジ対応の高密度な畳み込みを特徴抽出と特徴拡張の両方に利用することである。 これにより,粗さや微細な再構築を必要とせず,一段階のアップサンプリングパラダイムを適用できる。
  論文  参考訳（メタデータ） (2023-01-31T11:16:21Z)
• 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)
• Point Cloud Upsampling via Disentangled Refinement [86.3641957163818]
  3Dスキャンによって生成された点雲は、しばしばスパース、非均一、ノイズである。 近年のアップサンプリング手法は, 分布均一性と近接場を両立させながら, 密度の高い点集合を生成することを目的としている。 2つのカスケードサブネットワーク、高密度ジェネレータ、空間精錬器を定式化する。
  論文  参考訳（メタデータ） (2021-06-09T02:58:42Z)
• 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)

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。