論文の概要: Rethinking Point Cloud Filtering: A Non-Local Position Based Approach

• arxiv url: http://arxiv.org/abs/2110.07253v1
• Date: Thu, 14 Oct 2021 11:03:25 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-15 14:36:31.904843
• Title: Rethinking Point Cloud Filtering: A Non-Local Position Based Approach
• Title（参考訳）: ポイントクラウドフィルタリングの再考:非局所位置に基づくアプローチ
• Authors: Jinxi Wang, Jincen Jiang, Xuequan Lu, Meili Wang
• Abstract要約: 本稿では,ポイントクラウドフィルタリングのための新しい位置ベースアプローチを提案する。 通常の手法とは異なり,本手法では通常の情報を必要としない。 大規模な実験により本手法の有効性が検証され, 一般に位置ベース法よりも優れた結果が得られた。
• 参考スコア（独自算出の注目度）: 4.285710073014461
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing position based point cloud filtering methods can hardly preserve sharp geometric features. In this paper, we rethink point cloud filtering from a non-learning non-local non-normal perspective, and propose a novel position based approach for feature-preserving point cloud filtering. Unlike normal based techniques, our method does not require the normal information. The core idea is to first design a similarity metric to search the non-local similar patches of a queried local patch. We then map the non-local similar patches into a canonical space and aggregate the non-local information. The aggregated outcome (i.e. coordinate) will be inversely mapped into the original space. Our method is simple yet effective. Extensive experiments validate our method, and show that it generally outperforms position based methods (deep learning and non-learning), and generates better or comparable outcomes to normal based techniques (deep learning and non-learning).
• Abstract（参考訳）: 既存の位置に基づくポイントクラウドフィルタリングは、鋭い幾何学的特徴をほとんど保存できない。 本稿では,非学習非局所的非正規的な視点からポイントクラウドフィルタリングを再考し,特徴保存点クラウドフィルタリングのための新しい位置ベースアプローチを提案する。 通常の手法とは異なり,本手法では通常の情報を必要としない。 中心となる考え方は、クエリされたローカルパッチの非ローカル類似パッチを検索するために、まず類似度メトリックを設計することである。 次に,非局所的類似パッチを正準空間にマッピングし,非局所的情報を集約する。 集約された結果(すなわち座標)は逆に元の空間にマッピングされる。 我々の方法は単純だが効果的だ。 広範な実験により,本手法は一般に位置ベース手法(ディープラーニングと非学習)よりも優れており,通常の手法(深層学習と非学習)と同等の結果が得られた。

関連論文リスト

• Inferring Neural Signed Distance Functions by Overfitting on Single Noisy Point Clouds through Finetuning Data-Driven based Priors [53.6277160912059]
  本稿では,データ駆動型およびオーバーフィット型手法のプロースを推進し,より一般化し,高速な推論を行い,より高精度なニューラルネットワークSDFを学習する手法を提案する。 そこで本研究では,距離管理やクリーンポイントクラウド,あるいは点正規化を伴わずに,データ駆動型プリエントを微調整できる新しい統計的推論アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-25T16:48:44Z)
• StraightPCF: Straight Point Cloud Filtering [50.66412286723848]
  ポイントクラウドフィルタリングは、基礎となるクリーンな表面を回復しながらノイズを取り除くことを目的とした、基本的な3Dビジョンタスクである。 我々は、ポイントクラウドフィルタリングのための新しいディープラーニングベースの方法であるStraightPCFを紹介する。 ノイズの多い点を直線に沿って移動させることで、離散化誤差を低減し、クリーン表面への高速な収束を保証する。
  論文  参考訳（メタデータ） (2024-05-14T05:41:59Z)
• 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)
• NeuralGF: Unsupervised Point Normal Estimation by Learning Neural Gradient Function [55.86697795177619]
  3次元点雲の正規推定は3次元幾何処理の基本的な課題である。 我々は,ニューラルネットワークが入力点雲に適合することを奨励する,ニューラルグラデーション関数の学習のための新しいパラダイムを導入する。 広範に使用されているベンチマークの優れた結果から,本手法は非指向性および指向性正常推定タスクにおいて,より正確な正規性を学習できることが示されている。
  論文  参考訳（メタデータ） (2023-11-01T09:25:29Z)
• IterativePFN: True Iterative Point Cloud Filtering [18.51768749680731]
  基本的な3Dビジョンタスクは、ポイントクラウドフィルタリング(point cloud filtering)またはデノイング(denoising)として知られるノイズの除去である。 本報告では,本フィルタを内部でモデル化する複数のイテレーションで構成されたIterativePFN(Iterative Cloud Filtering Network)を提案する。 我々の手法は最先端の手法よりも優れた性能が得られる。
  論文  参考訳（メタデータ） (2023-04-04T04:47:44Z)
• PointCaM: Cut-and-Mix for Open-Set Point Cloud Learning [72.07350827773442]
  我々は,新しいポイントカット・アンド・ミクス機構を用いて,オープンセットのクラウド学習を解決することを提案する。 トレーニング段階では,Unknown-Point Simulatorを用いてアウト・オブ・ディストリビューションデータをシミュレートする。 Unknown-Point Estimatorモジュールは、既知のデータを識別するために、ポイントクラウドの機能コンテキストを活用することを学ぶ。
  論文  参考訳（メタデータ） (2022-12-05T03:53:51Z)
• Contrastive Learning for Joint Normal Estimation and Point Cloud Filtering [12.602645108896636]
  本研究では,正規点とフィルタ点の雲を共同で推定する新しいディープラーニング手法を提案する。 まず,3Dパッチに基づくコントラスト学習フレームワークを導入する。 実験の結果,本手法は2つのタスクを同時にサポートし,シャープな特徴と細部を保存できることがわかった。
  論文  参考訳（メタデータ） (2022-08-14T09:16:25Z)
• Resource Efficient Mountainous Skyline Extraction using Shallow Learning [0.28675177318965034]
  我々は浅層学習アプローチを適用して、スカイマウンテン境界に属するエッジと、異なる地域から来るエッジを区別するために、フィルターの集合を学習する。 テスト時には、各候補のエッジピクセルに対して、ピクセルの構造テンソルに基づいて学習されたフィルタの集合から1つのフィルタを選択する。 次に、動的プログラミングを用いて、結果の多段グラフの最も短い経路問題を解き、空山境界を得る。
  論文  参考訳（メタデータ） (2021-07-23T02:14:17Z)
• LoCo: Local Contrastive Representation Learning [93.98029899866866]
  重なり合うローカルブロックが重なり合うことで、デコーダの深さを効果的に増加させ、上位ブロックが暗黙的に下位ブロックにフィードバックを送ることができることを示す。 このシンプルな設計は、ローカル学習とエンドツーエンドのコントラスト学習アルゴリズムのパフォーマンスギャップを初めて埋める。
  論文  参考訳（メタデータ） (2020-08-04T05:41:29Z)
• Deep Feature-preserving Normal Estimation for Point Cloud Filtering [14.411519695767634]
  本稿では,ポイントクラウドフィルタリングのための特徴保存正規推定法を提案する。 学習方法であり,正規化の自動予測を実現する。 種々の実験により,本手法は最先端の正規推定法や点雲フィルタリング法より優れていることが示された。
  論文  参考訳（メタデータ） (2020-04-24T07:05:48Z)

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。