論文の概要: Neural Points: Point Cloud Representation with Neural Fields

• arxiv url: http://arxiv.org/abs/2112.04148v1
• Date: Wed, 8 Dec 2021 07:34:17 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-09 14:42:07.260412
• Title: Neural Points: Point Cloud Representation with Neural Fields
• Title（参考訳）: ニューラルポイント:ニューラルフィールドを用いたポイントクラウド表現
• Authors: Wanquan Feng, Jin Li, Hongrui Cai, Xiaonan Luo, Juyong Zhang
• Abstract要約: 本稿では,新しいポイントクラウド表現であるemphNeural Pointsを提案する。 ニューラルポイントの各点は、ニューラルネットワークを介して局所的な連続的な幾何学的形状を表す。 ニューラルポイントは強力な表現能力を持ち、優れた堅牢性と一般化能力を示す。
• 参考スコア（独自算出の注目度）: 31.167929128314096
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we propose \emph{Neural Points}, a novel point cloud representation. Unlike traditional point cloud representation where each point only represents a position or a local plane in the 3D space, each point in Neural Points represents a local continuous geometric shape via neural fields. Therefore, Neural Points can express much more complex details and thus have a stronger representation ability. Neural Points is trained with high-resolution surface containing rich geometric details, such that the trained model has enough expression ability for various shapes. Specifically, we extract deep local features on the points and construct neural fields through the local isomorphism between the 2D parametric domain and the 3D local patch. In the final, local neural fields are integrated together to form the global surface. Experimental results show that Neural Points has powerful representation ability and demonstrate excellent robustness and generalization ability. With Neural Points, we can resample point cloud with arbitrary resolutions, and it outperforms state-of-the-art point cloud upsampling methods by a large margin.
• Abstract（参考訳）: 本稿では,新しい点雲表現である \emph{Neural Points} を提案する。 従来の点雲表現では、各点が3次元空間における位置あるいは局所平面のみを表すのに対し、ニューラル点の各点は、ニューラルネットワークを介して局所的な連続幾何学的形状を表す。 したがって、ニューラルポイントはより複雑な詳細を表現できるため、より強力な表現能力を持つ。 ニューラルポイントは、リッチな幾何学的詳細を含む高分解能表面で訓練され、訓練されたモデルは様々な形状に十分な表現能力を持つ。 具体的には,2次元パラメトリック領域と3次元局所パッチ間の局所同型を通じて,点の深い局所的特徴を抽出し,神経場を構築する。 最後に、局所的な神経場が統合され、大域的な表面を形成する。 実験の結果, ニューラルポイントは強力な表現能力を有し, 優れた堅牢性と一般化能力を示すことがわかった。 ニューラルポイントでは、任意の解像度でポイントクラウドをサンプルすることができ、最先端のポイントクラウドアップサンプリングメソッドを大きなマージンで上回る。

関連論文リスト

• Neural varifolds: an aggregate representation for quantifying the geometry of point clouds [2.2474167740753557]
  本稿では,新しい表面形状特徴化,すなわち点雲のニューラルバリアフォールド表現を提案する。 変数表現は、多様体に基づく判別を通じて点雲の表面幾何学を定量化する。 提案したニューラルバリアフォールドは, 形状マッチング, 少数ショット形状分類, 形状再構成の3つの異なるタスクで評価される。
  論文  参考訳（メタデータ） (2024-07-05T20:08:16Z)
• Object Dynamics Modeling with Hierarchical Point Cloud-based Representations [1.3934784414106087]
  本稿では,連続点畳み込みに基づく新しいU-netアーキテクチャを提案する。 ダウンサンプリングされた点雲のボトルネック層は、より優れた長距離相互作用モデリングをもたらす。 我々の手法は、特に正確な重力や衝突の推論を必要とするシナリオにおいて、最先端の手法を大幅に改善する。
  論文  参考訳（メタデータ） (2024-04-09T06:10:15Z)
• Polyhedral Surface: Self-supervised Point Cloud Reconstruction Based on Polyhedral Surface [14.565612328814312]
  局所表面を表す新しい多面体表面を提案する。 ニューラルネットワークを導入する上で重要な局所座標系は不要である。 提案手法は,3つの一般的なネットワーク上での最先端の処理結果を実現する。
  論文  参考訳（メタデータ） (2023-10-23T04:24:31Z)
• SimNP: Learning Self-Similarity Priors Between Neural Points [52.4201466988562]
  SimNPはカテゴリーレベルの自己相似性を学ぶ方法である。 我々は、SimNPが対称な見えない対象領域の再構成において、従来の手法より優れていることを示す。
  論文  参考訳（メタデータ） (2023-09-07T16:02:40Z)
• Neural Convolutional Surfaces [59.172308741945336]
  この研究は、大域的、粗い構造から、微細で局所的で、おそらく繰り返される幾何学を歪める形状の表現に関係している。 このアプローチは, 最先端技術よりも優れたニューラル形状圧縮を実現するとともに, 形状詳細の操作と伝達を可能にする。
  論文  参考訳（メタデータ） (2022-04-05T15:40:11Z)
• Concentric Spherical GNN for 3D Representation Learning [53.45704095146161]
  同心球面特徴写像を学習するための新しい多解畳み込みアーキテクチャを提案する。 当社の階層的アーキテクチャは、球内情報と球間情報の両方を組み込むための代替学習に基づいています。 回転データを用いた3次元分類作業における最先端性能向上へのアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2021-03-18T19:05:04Z)
• EllipsoidNet: Ellipsoid Representation for Point Cloud Classification and Segmentation [24.36469430784483]
  2次元空間における点雲の表現は、2次元空間の局所幾何学的特徴を露呈するため、研究の関心が高まっている。 楕円面空間上に点雲を投影し,局所パターンが楕円面や点レベルでよく露出する新しい2次元表現法を提案する。 EllipsoidNetと呼ばれる新しい畳み込みニューラルネットワークは、これらの特徴を点群分類およびセグメンテーションアプリケーションに活用するために提案されている。
  論文  参考訳（メタデータ） (2021-03-03T16:43:08Z)
• ODFNet: Using orientation distribution functions to characterize 3D point clouds [0.0]
  点まわりの点配向分布を利用して、点群の表現力のある局所近傍表現を得ます。 新しい ODFNet モデルは ModelNet40 と ScanObjectNN データセットのオブジェクト分類における最先端の精度を実現する。
  論文  参考訳（メタデータ） (2020-12-08T19:54:20Z)
• PMP-Net: Point Cloud Completion by Learning Multi-step Point Moving Paths [54.459879603473034]
  我々はPMP-Netと呼ばれる新しいニューラルネットワークを設計し、地球移動体の動作を模倣する。 不完全な入力の各点を移動させ、ポイントクラウドを完結させ、ポイント移動パスの合計距離が最も短くなる。 点レベルの厳密でユニークな対応を学習し、不完全な形状と完全なターゲットの間の詳細なトポロジーと構造的関係を捉えることができる。
  論文  参考訳（メタデータ） (2020-12-07T01:34:38Z)
• SpinNet: Learning a General Surface Descriptor for 3D Point Cloud Registration [57.28608414782315]
  ローカルな特徴を抽出するために、SpinNetと呼ばれる新しい、概念的にはシンプルで、ニューラルなアーキテクチャを導入する。 屋内と屋外の両方の実験では、SpinNetが既存の最先端技術より優れていることが示されている。
  論文  参考訳（メタデータ） (2020-11-24T15:00:56Z)
• PUGeo-Net: A Geometry-centric Network for 3D Point Cloud Upsampling [103.09504572409449]
  PUGeo-Netと呼ばれる新しいディープニューラルネットワークを用いた一様高密度点雲を生成する手法を提案する。 その幾何学中心の性質のおかげで、PUGeo-Netはシャープな特徴を持つCADモデルとリッチな幾何学的詳細を持つスキャンされたモデルの両方でうまく機能する。
  論文  参考訳（メタデータ） (2020-02-24T14:13:29Z)

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。