論文の概要: Density-aware Chamfer Distance as a Comprehensive Metric for Point Cloud Completion

• arxiv url: http://arxiv.org/abs/2111.12702v1
• Date: Wed, 24 Nov 2021 18:56:27 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-25 15:25:40.414772
• Title: Density-aware Chamfer Distance as a Comprehensive Metric for Point Cloud Completion
• Title（参考訳）: 点雲完了のための総合指標としての密度認識型チャンファー距離
• Authors: Tong Wu, Liang Pan, Junzhe Zhang, Tai Wang, Ziwei Liu, Dahua Lin
• Abstract要約: チャンファー距離 (CD) とアースモーバー距離 (EMD) は、2つの点集合間の類似度を測定するために広く採用されている2つの指標である。 本稿では,DCD(Dedentity-Aware Chamfer Distance)と呼ばれる新しい類似度尺度を提案する。 DCDは、全体構造と局所的詳細の両方に注意を払っており、CDと矛盾する場合でも、より信頼性の高い評価を提供する。
• 参考スコア（独自算出の注目度）: 90.26652899910019
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Chamfer Distance (CD) and Earth Mover's Distance (EMD) are two broadly adopted metrics for measuring the similarity between two point sets. However, CD is usually insensitive to mismatched local density, and EMD is usually dominated by global distribution while overlooks the fidelity of detailed structures. Besides, their unbounded value range induces a heavy influence from the outliers. These defects prevent them from providing a consistent evaluation. To tackle these problems, we propose a new similarity measure named Density-aware Chamfer Distance (DCD). It is derived from CD and benefits from several desirable properties: 1) it can detect disparity of density distributions and is thus a more intensive measure of similarity compared to CD; 2) it is stricter with detailed structures and significantly more computationally efficient than EMD; 3) the bounded value range encourages a more stable and reasonable evaluation over the whole test set. We adopt DCD to evaluate the point cloud completion task, where experimental results show that DCD pays attention to both the overall structure and local geometric details and provides a more reliable evaluation even when CD and EMD contradict each other. We can also use DCD as the training loss, which outperforms the same model trained with CD loss on all three metrics. In addition, we propose a novel point discriminator module that estimates the priority for another guided down-sampling step, and it achieves noticeable improvements under DCD together with competitive results for both CD and EMD. We hope our work could pave the way for a more comprehensive and practical point cloud similarity evaluation. Our code will be available at: https://github.com/wutong16/Density_aware_Chamfer_Distance .
• Abstract（参考訳）: チャンファー距離 (CD) とアースモーバー距離 (EMD) は、2つの点集合間の類似度を測定するために広く採用されている2つの指標である。 しかし、cdは通常、不一致した局所密度に敏感であり、emdは通常、詳細な構造の忠実性を見落としながら、グローバル分布によって支配される。 さらに、その非有界値範囲は、外れ値から大きな影響をもたらす。 これらの欠陥は、一貫した評価の提供を妨げる。 これらの問題に対処するため、我々はDCD(dendentity-aware Chamfer Distance)と呼ばれる新しい類似度尺度を提案する。 CDから派生し、いくつかの望ましい性質から利益を得ている。 1) 密度分布の相違を検出でき、CDと比べ、より集中的な類似度測定である。 2)細部構造が厳格であり,EMDよりも計算効率が著しく高い。 3) 境界値範囲はテストセット全体に対してより安定で合理的な評価を奨励する。 我々は点雲完了タスクを評価するためにDCDを採用したが、実験の結果、DCDは全体構造と局所幾何学的詳細の両方に注意を払っており、CDとEMDが矛盾してもより信頼性の高い評価を提供する。 トレーニング損失としてDCDを使用することも可能で、3つの指標すべてでCD損失をトレーニングしたモデルよりも優れています。 さらに,他のダウンサンプリングステップの優先度を推定する新たな点判別器モジュールを提案し,CDとEMDの競合結果とともにDCD下での顕著な改善を実現する。 私たちは、より包括的で実践的なクラウド類似性評価の道を開いたいと考えています。 私たちのコードは、https://github.com/wutong16/Density_aware_Chamfer_Distance で利用可能になります。

関連論文リスト

• Explaining and Improving Contrastive Decoding by Extrapolating the Probabilities of a Huge and Hypothetical LM [93.8400683020273]
  コントラストデコーディング(CD)は,小型のアマチュアLMを用いて,大規模専門家言語モデル(LM)の次点分布を改善する。 我々は$mathbfA$symptotic $mathbfP$robability $mathbfD$ecoding (APD)と呼ばれる新しい教師なし復号法を提案する。 APDは異なる大きさのLMから確率曲線を明示的に外挿し、CDよりも多くの推論コストを発生させることなく無限大のLMから確率曲線を推定する。
  論文  参考訳（メタデータ） (2024-11-03T15:31:44Z)
• Stable Differentiable Causal Discovery [2.0249250133493195]
  我々は、因果関係を有向非巡回グラフ(DAG)として参照するための安定微分因果探索(SDCD)を提案する。 まず、SDCDを導出し、その安定性と正当性を証明し、その後、観察データと介入データと、小規模・大規模の両方で評価する。 SDCDは収束速度と精度の両方で既存の手法より優れており、数千の変数に拡張可能である。
  論文  参考訳（メタデータ） (2023-11-17T01:14:24Z)
• Unleash the Potential of 3D Point Cloud Modeling with A Calibrated Local Geometry-driven Distance Metric [62.365983810610985]
  そこで我々は,Callibated Local Geometry Distance (CLGD) と呼ばれる新しい距離測定法を提案する。 CLGDは、基準点の集合によってキャリブレーションされ誘導される基礎となる3次元表面の差を計算する。 一般的な指標として、CLGDは3Dポイントのクラウドモデリングを前進させる可能性がある。
  論文  参考訳（メタデータ） (2023-06-01T11:16:20Z)
• Deep Metric Learning for Unsupervised Remote Sensing Change Detection [60.89777029184023]
  リモートセンシング変化検出(RS-CD)は、マルチテンポラルリモートセンシング画像(MT-RSI)から関連する変化を検出することを目的とする。 既存のRS-CD法の性能は、大規模な注釈付きデータセットのトレーニングによるものである。 本稿では,これらの問題に対処可能なディープメトリック学習に基づく教師なしCD手法を提案する。
  論文  参考訳（メタデータ） (2023-03-16T17:52:45Z)
• Targeted Separation and Convergence with Kernel Discrepancies [61.973643031360254]
  カーネルベースの不一致測度は、(i)ターゲットPを他の確率測度から分離するか、(ii)Pへの弱収束を制御する必要がある。 本稿では, (i) と (ii) を保証するのに十分な,必要な新しい条件を導出する。 可分距離空間上のMDDに対して、ボヒナー埋め込み可測度を分離するカーネルを特徴づけ、すべての測度を非有界カーネルと分離するための単純な条件を導入する。
  論文  参考訳（メタデータ） (2022-09-26T16:41:16Z)
• Revisiting Consistency Regularization for Semi-supervised Change Detection in Remote Sensing Images [60.89777029184023]
  教師付きクロスエントロピー(CE)損失に加えて、教師なしCD損失を定式化する半教師付きCDモデルを提案する。 2つの公開CDデータセットを用いて実験を行った結果,提案手法は教師付きCDの性能に近づきやすいことがわかった。
  論文  参考訳（メタデータ） (2022-04-18T17:59:01Z)
• CD-split and HPD-split: efficient conformal regions in high dimensions [3.1690891866882236]
  我々は,CDスプリットの理論的性質を探求することによって,CDスプリットに関する新たな知見を提供する。 我々は,CDスプリットが最も高い予測密度集合に収束し,局所的変動と条件付き妥当性を満たすことを示す。 我々は,CDスプリットの手法であるHPDスプリットを導入し,CDスプリットと同じ理論的保証を共有することを示す。
  論文  参考訳（メタデータ） (2020-07-24T21:42:34Z)
• Reliable Fidelity and Diversity Metrics for Generative Models [30.941563781926202]
  Fr'echet Inception Distance (FID)スコアは、Fr'echet Inception Distance(FID)スコアである。 最新の精度とリコール基準でさえまだ信頼性が低いことを示す。 上記の問題を解決するための密度とカバレッジの指標を提案する。
  論文  参考訳（メタデータ） (2020-02-23T00:50:01Z)

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。