論文の概要: Attention-based Transformation from Latent Features to Point Clouds

• arxiv url: http://arxiv.org/abs/2112.05324v1
• Date: Fri, 10 Dec 2021 03:59:04 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-13 14:50:28.602631
• Title: Attention-based Transformation from Latent Features to Point Clouds
• Title（参考訳）: 潜在特徴から点雲への注意に基づく変換
• Authors: Kaiyi Zhang, Ximing Yang, Yuan Wu, Cheng Jin
• Abstract要約: AXformは、潜在機能をポイントクラウドに変換するための注意ベースの手法である。 パラメータ共有とデータフローの両方を考慮しており、アウトレーヤが減り、ネットワークパラメータが減り、コンバージェンス速度が速くなる。 AXformは強い2次元の制約を持たず、非滑らかな曲面の生成を改善する。 異なるデータセットに対する検討実験により,本手法が最先端の結果が得られることが示された。
• 参考スコア（独自算出の注目度）: 6.547680885781582
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In point cloud generation and completion, previous methods for transforming latent features to point clouds are generally based on fully connected layers (FC-based) or folding operations (Folding-based). However, point clouds generated by FC-based methods are usually troubled by outliers and rough surfaces. For folding-based methods, their data flow is large, convergence speed is slow, and they are also hard to handle the generation of non-smooth surfaces. In this work, we propose AXform, an attention-based method to transform latent features to point clouds. AXform first generates points in an interim space, using a fully connected layer. These interim points are then aggregated to generate the target point cloud. AXform takes both parameter sharing and data flow into account, which makes it has fewer outliers, fewer network parameters, and a faster convergence speed. The points generated by AXform do not have the strong 2-manifold constraint, which improves the generation of non-smooth surfaces. When AXform is expanded to multiple branches for local generations, the centripetal constraint makes it has properties of self-clustering and space consistency, which further enables unsupervised semantic segmentation. We also adopt this scheme and design AXformNet for point cloud completion. Considerable experiments on different datasets show that our methods achieve state-of-the-art results.
• Abstract（参考訳）: ポイントクラウドの生成と完了において、潜在機能をポイントクラウドに変換する以前の方法は、一般的に完全に接続された層(fcベース)または折り畳み操作(フォールディングベース)に基づいている。 しかし、FCベースの方法によって生成された点雲は、通常、外れ値や粗い表面によって悩まされる。 折り畳み方式では,データフローが大きく,収束速度は遅く,非滑らかな面の生成も困難である。 本稿では,潜在機能からポイントクラウドへ変換する注意に基づく手法であるaxformを提案する。 AXformは最初、完全に連結された層を使って中間空間の点を生成する。 これらの中間点を集約して対象点雲を生成する。 AXformはパラメータ共有とデータフローの両方を考慮に入れており、アウトレーヤが減り、ネットワークパラメータが減り、収束速度が速くなる。 AXformによって生成される点は強い2次元の制約を持たず、非滑らかな曲面の生成を改善する。 AXformが局所的な世代のために複数のブランチに拡張されると、中心的な制約は自己クラスタリングと空間整合性を持ち、さらに教師なしのセマンティックセグメンテーションを可能にする。 また、このスキームを採用し、ポイントクラウド補完のためにAXformNetを設計します。 異なるデータセットに対する検討実験により,本手法が最先端の結果が得られることが示された。

関連論文リスト

• Point Cloud Compression with Implicit Neural Representations: A Unified Framework [54.119415852585306]
  我々は幾何学と属性の両方を扱える先駆的なクラウド圧縮フレームワークを提案する。 本フレームワークでは,2つの座標ベースニューラルネットワークを用いて,voxelized point cloudを暗黙的に表現する。 本手法は,既存の学習手法と比較して,高い普遍性を示す。
  論文  参考訳（メタデータ） (2024-05-19T09:19:40Z)
• 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)
• Patch-Wise Point Cloud Generation: A Divide-and-Conquer Approach [83.05340155068721]
  分割・分散アプローチを用いた新しい3dポイントクラウド生成フレームワークを考案する。 すべてのパッチジェネレータは学習可能な事前情報に基づいており、幾何学的プリミティブの情報を取得することを目的としている。 最も人気のあるポイントクラウドデータセットであるShapeNetのさまざまなオブジェクトカテゴリに関する実験結果は、提案したパッチワイドポイントクラウド生成の有効性を示している。
  論文  参考訳（メタデータ） (2023-07-22T11:10:39Z)
• DualGenerator: Information Interaction-based Generative Network for Point Cloud Completion [25.194587599472147]
  ポイントクラウド完了は、高品質のポイントクラウドデータを得るために、不完全なポイントクラウドから完全な形状を推定する。 既存の手法のほとんどは、隣接する点の空間的・意味的な情報を無視して、グローバルなオブジェクトの特徴のみを考慮している。 本稿では,ポイントクラウド補完のための情報インタラクションに基づく生成ネットワークを提案する。
  論文  参考訳（メタデータ） (2023-05-16T03:25:38Z)
• Controllable Mesh Generation Through Sparse Latent Point Diffusion Models [105.83595545314334]
  メッシュ生成のための新しいスパース潜在点拡散モデルを設計する。 私たちの重要な洞察は、ポイントクラウドをメッシュの中間表現と見なし、代わりにポイントクラウドの分布をモデル化することです。 提案したスパース潜在点拡散モデルにより,生成品質と制御性において優れた性能が得られる。
  論文  参考訳（メタデータ） (2023-03-14T14:25:29Z)
• A Conditional Point Diffusion-Refinement Paradigm for 3D Point Cloud Completion [69.32451612060214]
  実スキャンされた3Dポイントクラウドはしばしば不完全であり、下流アプリケーションのために完全なポイントクラウドを復元することが重要である。 ほとんどの既存のポイントクラウド補完方法は、トレーニングにチャンファー距離(CD)損失を使用する。 本稿では,点雲完了のためのPDR(Point Diffusion-Refinement)パラダイムを提案する。
  論文  参考訳（メタデータ） (2021-12-07T06:59:06Z)
• Fast Point Voxel Convolution Neural Network with Selective Feature Fusion for Point Cloud Semantic Segmentation [7.557684072809662]
  本稿では,ポイントクラウド解析のための軽量畳み込みニューラルネットワークを提案する。 本手法はサンプリングなしで全点集合上で動作し,効率よく性能を向上する。
  論文  参考訳（メタデータ） (2021-09-23T19:39:01Z)
• Representing Point Clouds with Generative Conditional Invertible Flow Networks [15.280751949071016]
  クラウド固有の確率分布から抽出したサンプルの集合として,点雲を表現するための簡易かつ効果的な方法を提案する。 提案手法は, 生成的非可逆フローネットワークを利用して埋め込みを学習し, 点雲を生成する。 私たちのモデルは、ベンチマークデータセット上で、競争力または優れた定量的結果を提供します。
  論文  参考訳（メタデータ） (2020-10-07T18:30:47Z)
• DeepCLR: Correspondence-Less Architecture for Deep End-to-End Point Cloud Registration [12.471564670462344]
  この研究は、ディープニューラルネットワークを用いたポイントクラウド登録の問題に対処する。 重なり合うデータ内容を持つ2つの点雲間のアライメントを予測する手法を提案する。 提案手法は,最先端の精度と比較手法の最低実行時間を実現する。
  論文  参考訳（メタデータ） (2020-07-22T08:20:57Z)
• 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)
• Point2Mesh: A Self-Prior for Deformable Meshes [83.31236364265403]
  本稿では,入力点雲から表面メッシュを再構築する技術であるPoint2Meshを紹介する。 自己優先型は、ディープニューラルネットワークの重み内の単一の形状から幾何的繰り返しをカプセル化する。 ここでは,Point2Meshが所望の解に収束することを示す。
  論文  参考訳（メタデータ） (2020-05-22T10:01:04Z)

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。