論文の概要: Self-Supervised Point Cloud Completion via Inpainting

• arxiv url: http://arxiv.org/abs/2111.10701v1
• Date: Sun, 21 Nov 2021 00:03:11 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-23 15:06:00.435763
• Title: Self-Supervised Point Cloud Completion via Inpainting
• Title（参考訳）: インパインティングによる自己教師付きポイントクラウド完成
• Authors: Himangi Mittal, Brian Okorn, Arpit Jangid, David Held
• Abstract要約: この研究は、部分的な点雲を完成させることを学び、部分的な観測のみを使用して物体の幾何学を完全に理解することを目的としている。 我々は,完全かつ地味なアノテーションへのアクセスを前提とせず,部分的なスキャンでのみトレーニングを行う,自己教師付きポイントクラウド補完アルゴリズムであるPointPnCNetを提案する。 提案手法は,合成データセットであるShapeNetと実世界のLiDARデータセットであるSemantic KITTIの双方において,従来の教師なしおよび弱教師付き手法よりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 13.068234143496333
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: When navigating in urban environments, many of the objects that need to be tracked and avoided are heavily occluded. Planning and tracking using these partial scans can be challenging. The aim of this work is to learn to complete these partial point clouds, giving us a full understanding of the object's geometry using only partial observations. Previous methods achieve this with the help of complete, ground-truth annotations of the target objects, which are available only for simulated datasets. However, such ground truth is unavailable for real-world LiDAR data. In this work, we present a self-supervised point cloud completion algorithm, PointPnCNet, which is trained only on partial scans without assuming access to complete, ground-truth annotations. Our method achieves this via inpainting. We remove a portion of the input data and train the network to complete the missing region. As it is difficult to determine which regions were occluded in the initial cloud and which were synthetically removed, our network learns to complete the full cloud, including the missing regions in the initial partial cloud. We show that our method outperforms previous unsupervised and weakly-supervised methods on both the synthetic dataset, ShapeNet, and real-world LiDAR dataset, Semantic KITTI.
• Abstract（参考訳）: 都市環境を航行する際には、追跡や回避が必要な多くの物体が密集している。 これらの部分スキャンによる計画と追跡は困難である。 この研究の目的は、これらの部分点雲の完成を学び、部分的観測のみを使用して物体の形状を完全に理解することである。 従来の手法では、ターゲットオブジェクトの完全な地味なアノテーションの助けを借りてこれを達成しており、これはシミュレーションデータセットでのみ利用可能である。 しかし、現実世界のLiDARデータではそのような基礎的な真実は利用できない。 そこで本研究では,完全基幹アノテーションを前提とせずに部分的スキャンのみをトレーニングした,自己教師付きポイントクラウド補完アルゴリズムであるPointPnCNetを提案する。 本手法はインペインティングによりこれを実現する。 入力データの一部を取り除き、欠落した領域を完了させるためにネットワークをトレーニングします。 初期クラウドにどのリージョンが隠されているのかを判断することは困難であるため、ネットワークは初期部分クラウドに欠落しているリージョンを含む完全なクラウドを完成させることを学ぶ。 提案手法は,合成データセットであるShapeNetと実世界のLiDARデータセットであるSemantic KITTIの両方において,教師なしおよび弱教師付き手法よりも優れていることを示す。

関連論文リスト

• Self-supervised 3D Point Cloud Completion via Multi-view Adversarial Learning [61.14132533712537]
  我々は、オブジェクトレベルとカテゴリ固有の幾何学的類似性の両方を効果的に活用するフレームワークであるMAL-SPCを提案する。 私たちのMAL-SPCは3Dの完全な監視を一切必要とせず、各オブジェクトに1つの部分点クラウドを必要とするだけです。
  論文  参考訳（メタデータ） (2024-07-13T06:53:39Z)
• P2C: Self-Supervised Point Cloud Completion from Single Partial Clouds [44.02541315496045]
  ポイント雲の完成は、部分的な観測に基づいて完全な形状を復元することを目的としている。 既存の手法では、学習には完全な点雲か、同じ物体の複数の部分的な観察が必要である。 Part2Completeは、ポイントクラウドオブジェクトを補完する最初の自己管理型フレームワークです。
  論文  参考訳（メタデータ） (2023-07-27T09:31:01Z)
• Point-Cloud Completion with Pretrained Text-to-image Diffusion Models [33.41278923611429]
  現実世界のアプリケーションで収集されたポイントクラウドデータは、しばしば不完全である。 本稿では,事前学習したテキスト・画像拡散モデルを用いたSDS-Completeという手法について述べる。 一般的なデータセットにないオブジェクトを効果的に再構築する。
  論文  参考訳（メタデータ） (2023-06-18T11:51:46Z)
• Learning a Structured Latent Space for Unsupervised Point Cloud Completion [48.79411151132766]
  部分点雲と完全点雲の両方を符号化する統一的で構造化された潜在空間を学習する新しいフレームワークを提案する。 提案手法は、合成ShapeNetと実世界のKITTI、ScanNet、Matterport3Dデータセットの両方において、最先端の教師なし手法を一貫して上回っている。
  論文  参考訳（メタデータ） (2022-03-29T13:58:44Z)
• Self-supervised Point Cloud Completion on Real Traffic Scenes via Scene-concerned Bottom-up Mechanism [14.255659581428333]
  ポイントクラウド補完は、オブジェクトの不完全な3Dスキャンのための完全な形状を参照することを目的としている。 現在のディープラーニングベースのアプローチは、トレーニングプロセスにおける大規模な完全な形状に依存しています。 本研究では,交通現場の車両に対して,完全なデータを持たない自己監視点クラウド補完手法(TraPCC)を提案する。
  論文  参考訳（メタデータ） (2022-03-20T14:42:37Z)
• Cascaded Refinement Network for Point Cloud Completion with Self-supervision [74.80746431691938]
  形状整形のための2分岐ネットワークを提案する。 第1分枝は、完全なオブジェクトを合成するためのカスケード形状補完サブネットワークである。 第2のブランチは、元の部分入力を再構築する自動エンコーダである。
  論文  参考訳（メタデータ） (2020-10-17T04:56:22Z)
• Refinement of Predicted Missing Parts Enhance Point Cloud Completion [62.997667081978825]
  点雲完了は、部分的な観測から3次元形状の点集合表現を用いて完全な幾何学を予測するタスクである。 従来のアプローチでは、不完全点集合によって供給されるエンコーダ・デコーダモデルにより、点雲全体を直接推定するニューラルネットワークが提案されていた。 本稿では、欠落した幾何を計算し、既知の入力と予測点クラウドを融合することに焦点を当てたエンドツーエンドニューラルネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-10-08T22:01:23Z)
• Point Cloud Completion by Learning Shape Priors [74.80746431691938]
  形状の先行には、完全点雲と部分点雲の両方の幾何学的情報が含まれる。 完全点から先行する形状を学習するための特徴アライメント戦略を設計し、微細な段階で部分的な事前を組み込むための粗い微妙な戦略を設計する。 我々はポイントクラウド完了タスクで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2020-08-02T04:00:32Z)
• 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)
• Cascaded Refinement Network for Point Cloud Completion [74.80746431691938]
  本稿では,細かな物体形状を合成するための粗大な戦略とともに,カスケード型精細化ネットワークを提案する。 部分入力の局所的な詳細と大域的な形状情報を合わせて考えると、既存の詳細を不完全点集合に保存することができる。 また、各局所領域が同じパターンと基底的真理を持つことを保証し、複雑な点分布を学習するパッチ判別器を設計する。
  論文  参考訳（メタデータ） (2020-04-07T13:03:29Z)

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。