論文の概要: Deep Point Cloud Normal Estimation via Triplet Learning

• arxiv url: http://arxiv.org/abs/2110.10494v1
• Date: Wed, 20 Oct 2021 11:16:00 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-22 18:46:48.033378
• Title: Deep Point Cloud Normal Estimation via Triplet Learning
• Title（参考訳）: トリプルト学習による深部クラウド正規化推定
• Authors: Weijia Wang, Xuequan Lu, Dasith de Silva Edirimuni, Xiao Liu, Antonio Robles-Kelly
• Abstract要約: 点雲の新しい正規推定法を提案する。 a) 局所パッチの表現を学習する特徴符号化と(b) 学習した表現を入力として取り、通常のベクトルを回帰する正規推定である。 本手法は,シャープな特徴を保存し,CAD形状の正常な推定結果を改善する。
• 参考スコア（独自算出の注目度）: 11.481292852496583
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Normal estimation on 3D point clouds is a fundamental problem in 3D vision and graphics. Current methods often show limited accuracy in predicting normals at sharp features (e.g., edges and corners) and less robustness to noise. In this paper, we propose a novel normal estimation method for point clouds. It consists of two phases: (a) feature encoding which learns representations of local patches, and (b) normal estimation that takes the learned representation as input and regresses the normal vector. We are motivated that local patches on isotropic and anisotropic surfaces have similar or distinct normals, and that separable features or representations can be learned to facilitate normal estimation. To realise this, we first construct triplets of local patches on 3D point cloud data, and design a triplet network with a triplet loss for feature encoding. We then design a simple network with several MLPs and a loss function to regress the normal vector. Despite having a smaller network size compared to most other methods, experimental results show that our method preserves sharp features and achieves better normal estimation results on CAD-like shapes.
• Abstract（参考訳）: 3Dポイントクラウドの正規推定は、3Dビジョンとグラフィックスの基本的な問題である。 現在の手法では、シャープな特徴(例えば、エッジやコーナー)で正常を予測できる精度が限られており、ノイズに対する堅牢性が低い。 本稿では,点群に対する新しい正規推定法を提案する。 2つの段階からなる。 (a)局所パッチの表現を学習する特徴符号化、及び b) 学習した表現を入力として取り、正規ベクトルを回帰する正規推定。 等方性面と異方性面の局所パッチは、類似または異なる正規性を持ち、分離可能な特徴や表現が通常の推定を容易にするために学習できることを動機としている。 これを実現するため、我々はまず3dポイントクラウドデータにトリプレットのローカルパッチを作成し、特徴エンコーディングのためにトリプレットロスを持つトリプレットネットワークを設計する。 次に、複数のMLPと損失関数を持つ単純なネットワークを設計し、通常のベクトルを回帰する。 他の手法に比べてネットワークサイズは小さいが,本手法は鋭い特徴を保ち,cad形状の正常な推定結果が得られることを示した。

関連論文リスト

• 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)
• Learning Signed Hyper Surfaces for Oriented Point Cloud Normal Estimation [53.19926259132379]
  我々は,符号付きハイパー曲面の学習による点雲の向きの正規分布推定のためのSHS-Netと呼ばれる新しい手法を提案する。 符号付き超曲面は、局所的および大域的な情報を集約する高次元特徴空間において暗黙的に学習される。 注意重み付き正規予測モジュールをデコーダとして提案し,局所およびグローバル潜時符号を入力として向きの正規を推定する。
  論文  参考訳（メタデータ） (2023-05-10T03:40:25Z)
• Weighted Point Cloud Normal Estimation [16.26518988623745]
  本稿では,3次元点雲データに対する重み付き正規推定手法を提案する。 局所的な点パッチから点の重みを推定する新しい重み付き正規回帰手法を提案する。 提案手法は,合成および実世界の両方のデータセット上で,最先端の性能を実現することで,ノイズや複雑な点群を頑健に処理することができる。
  論文  参考訳（メタデータ） (2023-05-06T10:46:56Z)
• NeAF: Learning Neural Angle Fields for Point Normal Estimation [46.58627482563857]
  球面座標系における各点の正規点付近の角度場を学習する暗黙関数を提案する。 入力点の正規度を直接予測する代わりに、基底真理正規度とランダムにサンプリングされたクエリ正規度の間のアングルオフセットを予測する。
  論文  参考訳（メタデータ） (2022-11-30T10:11:47Z)
• 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)
• SNAKE: Shape-aware Neural 3D Keypoint Field [62.91169625183118]
  形状復元には点雲から3Dキーポイントを検出することが重要である。 形状再構成は3次元キーポイント検出に有効か? 本稿では,形状認識型ニューラル3Dキーポイントフィールドに短いSNAKEという,教師なしの新たなパラダイムを提案する。
  論文  参考訳（メタデータ） (2022-06-03T17:58:43Z)
• Virtual Normal: Enforcing Geometric Constraints for Accurate and Robust Depth Prediction [87.08227378010874]
  深度予測における高次3次元幾何学的制約の重要性を示す。 単純な幾何学的制約を強制する損失項を設計することにより、単眼深度推定の精度とロバスト性を大幅に改善する。 The-of-the-art results of learning metric depth on NYU Depth-V2 and KITTI。
  論文  参考訳（メタデータ） (2021-03-07T00:08:21Z)
• 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)
• Pixel-in-Pixel Net: Towards Efficient Facial Landmark Detection in the Wild [104.61677518999976]
  顔のランドマークを検出するために,Pixel-in-Pixel Net(PIPNet)を提案する。 提案モデルは,熱マップ回帰に基づく新しい検出ヘッドを備える。 PIPNetのクロスドメイン一般化能力をさらに向上するため,カリキュラムによる自己学習を提案する。
  論文  参考訳（メタデータ） (2020-03-08T12:23:42Z)

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。