論文の概要: NeeDrop: Self-supervised Shape Representation from Sparse Point Clouds using Needle Dropping

• arxiv url: http://arxiv.org/abs/2111.15207v2
• Date: Thu, 2 Dec 2021 07:48:46 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-03 13:23:19.509356
• Title: NeeDrop: Self-supervised Shape Representation from Sparse Point Clouds using Needle Dropping
• Title（参考訳）: NeeDrop:ニードルドロップを用いたスパース点雲からの自己教師型形状表現
• Authors: Alexandre Boulch, Pierre-Alain Langlois, Gilles Puy, Renaud Marlet
• Abstract要約: スパース点雲から形状表現を学習するための自己教師型手法NeeDropを紹介する。 形状の知識は不要で、例えば車によって取得されたライダー点雲のように、点雲は疎くすることができる。 形状復元データセットにおける既存の教師ありアプローチと同等の定量的な結果が得られる。
• 参考スコア（独自算出の注目度）: 80.2485282512607
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: There has been recently a growing interest for implicit shape representations. Contrary to explicit representations, they have no resolution limitations and they easily deal with a wide variety of surface topologies. To learn these implicit representations, current approaches rely on a certain level of shape supervision (e.g., inside/outside information or distance-to-shape knowledge), or at least require a dense point cloud (to approximate well enough the distance-to-shape). In contrast, we introduce NeeDrop, a self-supervised method for learning shape representations from possibly extremely sparse point clouds. Like in Buffon's needle problem, we "drop" (sample) needles on the point cloud and consider that, statistically, close to the surface, the needle end points lie on opposite sides of the surface. No shape knowledge is required and the point cloud can be highly sparse, e.g., as lidar point clouds acquired by vehicles. Previous self-supervised shape representation approaches fail to produce good-quality results on this kind of data. We obtain quantitative results on par with existing supervised approaches on shape reconstruction datasets and show promising qualitative results on hard autonomous driving datasets such as KITTI.
• Abstract（参考訳）: 近年、暗黙の形状表現への関心が高まっている。 明示的な表現とは対照的に、それらは解像度の制限がなく、様々な表面トポロジを簡単に扱うことができる。 これらの暗黙の表現を学習するために、現在のアプローチは一定のレベルの形状の監督(例えば、内外情報や距離から形への知識)、あるいは少なくとも密度の高い点雲(十分な距離から形までの距離)を必要とする。 対照的に,多分極小点雲から形状表現を学ぶための自己教師あり手法である needrop を導入する。 バフィンの針の問題と同様に、我々は点雲に針を「投下」(サンプル)し、統計的には表面の近く、針の端点が表面の反対側にあると考える。 形状の知識は必要とせず、lidarポイント雲が車両によって獲得されるなど、ポイントクラウドは非常にスパースである。 従来の自己教師型形状表現アプローチでは、この種のデータに対して良質な結果が得られなかった。 形状復元データセットに対する既存の教師付きアプローチと同等の定量的な結果を得るとともに,kitti のようなハード自動運転データセットに対して有望な質的結果を示す。

関連論文リスト

• Point2Vec for Self-Supervised Representation Learning on Point Clouds [66.53955515020053]
  Data2vecをポイントクラウド領域に拡張し、いくつかのダウンストリームタスクで推奨される結果を報告します。 我々は、ポイントクラウド上でData2vecライクな事前トレーニングの可能性を解放するpoint2vecを提案する。
  論文  参考訳（メタデータ） (2023-03-29T10:08:29Z)
• Reconstructing Surfaces for Sparse Point Clouds with On-Surface Priors [52.25114448281418]
  現在の方法では、接地距離や点正規化なしに単一点雲から符号付き距離関数 (Signed Distance Function, SDF) を学習することで、表面を再構築することができる。 そこで本稿では, 表面上の粗い点雲から高精度な表面を復元することを提案する。 本手法は, 接地距離や点正規化を伴わずに, 単一のスパース点雲からSDFを学習することができる。
  論文  参考訳（メタデータ） (2022-04-22T09:45:20Z)
• Self-Supervised Arbitrary-Scale Point Clouds Upsampling via Implicit Neural Representation [79.60988242843437]
  そこで本研究では,自己監督型および倍率フレキシブルな点雲を同時にアップサンプリングする手法を提案する。 実験結果から, 自己教師あり学習に基づく手法は, 教師あり学習に基づく手法よりも, 競争力や性能が向上することが示された。
  論文  参考訳（メタデータ） (2022-04-18T07:18:25Z)
• Unsupervised Point Cloud Representation Learning with Deep Neural Networks: A Survey [104.71816962689296]
  大規模クラウドラベリングの制約により,教師なしのポイントクラウド表現学習が注目されている。 本稿では、ディープニューラルネットワークを用いた教師なしポイントクラウド表現学習の総合的なレビューを提供する。
  論文  参考訳（メタデータ） (2022-02-28T07:46:05Z)
• SSPU-Net: Self-Supervised Point Cloud Upsampling via Differentiable Rendering [21.563862632172363]
  地中真理を使わずに高密度の点雲を生成するための自己教師付き点雲アップサンプリングネットワーク(SSPU-Net)を提案する。 これを実現するために,入力スパース点雲と高密度点雲との整合性を利用して画像の形状と描画を行う。
  論文  参考訳（メタデータ） (2021-08-01T13:26:01Z)
• Self-Contrastive Learning with Hard Negative Sampling for Self-supervised Point Cloud Learning [17.55440737986014]
  本稿では,自己教師付きポイントクラウド表現学習のための新しい自己コントラスト学習を提案する。 我々は、一点クラウド内の自己相似点クラウドパッチを、正のサンプルとして、その他の負のパッチとして利用し、対照的な学習を容易にする。 実験結果から,提案手法は広く使用されているベンチマークデータセットの最先端性能を実現することが示された。
  論文  参考訳（メタデータ） (2021-07-05T09:17:45Z)
• Learning Gradient Fields for Shape Generation [69.85355757242075]
  点雲は、その形状の表面に密度が集中している3D点の分布からサンプルと見なすことができる。 非正規化確率密度の勾配上昇を行うことで点雲を生成する。 本モデルは,ログ密度場の勾配を直接予測し,スコアベース生成モデルに適応した単純な目的で学習することができる。
  論文  参考訳（メタデータ） (2020-08-14T18:06:15Z)
• Meshing Point Clouds with Predicted Intrinsic-Extrinsic Ratio Guidance [30.863194319818223]
  既存のポイントへの接続情報のみを付加することで、インプットポイントクラウドを可能な限り活用することを提案する。 私たちの重要なイノベーションはローカル接続のサロゲートであり、本質的/外生的メトリクスを比較して計算します。 提案手法は, 詳細を保存できるだけでなく, あいまいな構造を扱えるだけでなく, 目に見えないカテゴリに対して強い一般化性を持つことを示す。
  論文  参考訳（メタデータ） (2020-07-17T22:36:00Z)

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。