論文の概要: Deep Point Set Resampling via Gradient Fields

• arxiv url: http://arxiv.org/abs/2111.02045v1
• Date: Wed, 3 Nov 2021 07:20:35 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-04 13:48:35.932749
• Title: Deep Point Set Resampling via Gradient Fields
• Title（参考訳）: 勾配場による深部点集合のサンプリング
• Authors: Haolan Chen, Bi'an Du, Shitong Luo and Wei Hu
• Abstract要約: 現実世界のオブジェクトやシーンをスキャンして取得した3Dポイントクラウドは、幅広いアプリケーションを見つけました。 しばしばノイズに悩まされるか、低密度に悩まされるため、表面の再構築や理解といった下流の作業が妨げられる。 本稿では, 点雲の連続勾配場を学習する, 復元のための点集合再サンプリングの新しいパラダイムを提案する。
• 参考スコア（独自算出の注目度）: 11.5128379063303
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: 3D point clouds acquired by scanning real-world objects or scenes have found a wide range of applications including immersive telepresence, autonomous driving, surveillance, etc. They are often perturbed by noise or suffer from low density, which obstructs downstream tasks such as surface reconstruction and understanding. In this paper, we propose a novel paradigm of point set resampling for restoration, which learns continuous gradient fields of point clouds that converge points towards the underlying surface. In particular, we represent a point cloud via its gradient field -- the gradient of the log-probability density function, and enforce the gradient field to be continuous, thus guaranteeing the continuity of the model for solvable optimization. Based on the continuous gradient fields estimated via a proposed neural network, resampling a point cloud amounts to performing gradient-based Markov Chain Monte Carlo (MCMC) on the input noisy or sparse point cloud. Further, we propose to introduce regularization into the gradient-based MCMC during point cloud restoration, which essentially refines the intermediate resampled point cloud iteratively and accommodates various priors in the resampling process. Extensive experimental results demonstrate that the proposed point set resampling achieves the state-of-the-art performance in representative restoration tasks including point cloud denoising and upsampling.
• Abstract（参考訳）: 現実世界のオブジェクトやシーンをスキャンして取得した3Dポイントクラウドは、没入型テレプレゼンス、自動運転、監視など、幅広いアプリケーションを見つけている。 しばしば騒音や低密度に悩まされ、表面の再構築や理解といった下流の作業を妨げる。 本稿では,下面に点を収束させる点雲の連続勾配場を学習し,復元のための点集合再サンプリングの新しいパラダイムを提案する。 特に、その勾配場(対数確率密度関数の勾配)を通じて点雲を表現し、勾配場が連続であるように強制することにより、可解最適化のためのモデルの連続性を保証する。 提案するニューラルネットワークによって推定される連続勾配場に基づいて、ポイントクラウドをサンプリングすることで、入力ノイズまたはスパースポイントクラウド上でグラデーションベースのマルコフチェーンモンテカルロ(mcmc)を実行する。 さらに,中間再サンプリングされた点雲を反復的に洗練し,再サンプリングプロセスにおいて様々な事前処理を適応させる点クラウド復元中に,勾配に基づくmcmcに正規化を導入することを提案する。 広範な実験結果から,提案するポイントセットの再サンプリングは,ポイントクラウドのデノイジングやアップサンプリングなど,代表的な復元タスクにおける最先端のパフォーマンスを実現することが示された。

関連論文リスト

• Point Cloud Resampling with Learnable Heat Diffusion [58.050130177241186]
  ポイントクラウド再サンプリングのための学習可能な熱拡散フレームワークを提案する。 前の固定された拡散モデルとは異なり、適応条件は点雲の幾何学的特徴を選択的に保存する。
  論文  参考訳（メタデータ） (2024-11-21T13:44:18Z)
• Fast Learning of Signed Distance Functions from Noisy Point Clouds via Noise to Noise Mapping [54.38209327518066]
  点雲から符号付き距離関数を学習することは、3Dコンピュータビジョンにおいて重要な課題である。 クリーンポイントクラウドや地上の真理監督を必要としないノイズ・ノイズマッピングを用いてSDFを学習することを提案する。 我々の新しい特徴はノイズ・ト・ノイズマッピングにあり、1つの物体やシーンの高精度なSDFを、その多重または単一ノイズの観測から推測することができる。
  論文  参考訳（メタデータ） (2024-07-04T03:35:02Z)
• Point Cloud Pre-training with Diffusion Models [62.12279263217138]
  我々は、ポイントクラウド拡散事前学習(PointDif)と呼ばれる新しい事前学習手法を提案する。 PointDifは、分類、セグメンテーション、検出など、さまざまな下流タスクのために、さまざまな現実世界のデータセット間で大幅に改善されている。
  論文  参考訳（メタデータ） (2023-11-25T08:10:05Z)
• Dynamic Point Cloud Denoising via Gradient Fields [17.29921488701806]
  3Dダイナミックポイントクラウドは、現実のオブジェクトや動きのシーンを離散的に表現する。 センサから取得した点雲は、通常ノイズによって乱れ、表面の再構成や解析などの下流のタスクに影響を及ぼす。 本研究では,勾配場推定による時間対応を生かした,勾配場に基づく動的点雲デノナイズ手法を提案する。
  論文  参考訳（メタデータ） (2022-04-19T08:51:53Z)
• PUFA-GAN: A Frequency-Aware Generative Adversarial Network for 3D Point Cloud Upsampling [56.463507980857216]
  本稿では,点群アップサンプリングのための生成的対向ネットワークを提案する。 基底表面に均等に分布するアップサンプリングポイントを作成できるだけでなく、クリーンな高周波領域を効率的に生成することができる。
  論文  参考訳（メタデータ） (2022-03-02T07:47:46Z)
• Point Cloud Denoising via Momentum Ascent in Gradient Fields [72.93429911044903]
  ニューラルネットワークを用いて雑音点雲から勾配場を推定する勾配法を提案した。 そこで我々は, 過去の反復情報を利用して, 点の軌道を決定する運動量勾配上昇法を開発した。 実験により, 提案手法は, 様々な点群, ノイズタイプ, 騒音レベルを有する最先端手法よりも優れていた。
  論文  参考訳（メタデータ） (2022-02-21T10:21:40Z)
• Exploring the Devil in Graph Spectral Domain for 3D Point Cloud Attacks [19.703181080679176]
  3Dダイナミックポイントクラウドは、現実のオブジェクトや動きのシーンを離散的に表現する。 センサから取得した点雲は、通常ノイズによって乱れ、表面の再構成や解析などの下流のタスクに影響を及ぼす。 そこで我々は,勾配場推定のための時間対応を利用して,新しい勾配に基づく動的点雲分極法を提案する。
  論文  参考訳（メタデータ） (2022-02-15T09:16:12Z)
• PU-Flow: a Point Cloud Upsampling Networkwith Normalizing Flows [58.96306192736593]
  本稿では,正規化フローを組み込んだPU-Flowについて述べる。 具体的には、重みが局所的な幾何学的文脈から適応的に学習される潜在空間において、アップサンプリング過程を点として定式化する。 提案手法は, 再現性, 近接精度, 計算効率の観点から, 最先端の深層学習手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-07-13T07:45:48Z)

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。