論文の概要: Generate Point Clouds with Multiscale Details from Graph-Represented Structures

• arxiv url: http://arxiv.org/abs/2112.06433v1
• Date: Mon, 13 Dec 2021 06:23:31 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-14 15:10:47.247966
• Title: Generate Point Clouds with Multiscale Details from Graph-Represented Structures
• Title（参考訳）: グラフ表現構造から多元的詳細を持つ点雲を生成する
• Authors: Ximing Yang and Cheng Jin
• Abstract要約: 本稿では,マルチスケール構造グラフ(Multiscale Structure Graph:MSG)と呼ばれるグラフに基づく構造表現について述べる。細部を小型構造として扱うことで,局所構造の類似したパターンを,異なるスケール,場所,密度,角度で見ることができる。 ShapeNetデータセットでトレーニングされたMSPCGは、ポイントクラウド上のマルチスケールエディションを可能にし、目に見えないカテゴリのポイントクラウドを生成し、所定の構造から屋内シーンを生成する。
• 参考スコア（独自算出の注目度）: 4.425187018446338
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generating point clouds from structures is a highly valued method to control the generation of point clouds.One of the major problems in structure-based controllable point cloud generation is the lack of controllability to details, as details are missing in most existing representations of structures.It can be observed that definitions of details and structures are subjective.Details can be treated as structures on small scale.To represent structures in different scales at the same time, we present a graph-based representation of structures called the Multiscale Structure Graph(MSG).By treating details as small-scale structures, similar patterns of local structures can be found at different scales, places, densities, and angles.The knowledge learned from a pattern can be transferred to similar patterns in other scales.An encoding and generation mechanism, namely the Multiscale Structure-based Point Cloud Generator(MSPCG), for generating dense point clouds from the MSG is proposed, which can simultaneously learn local patterns with miscellaneous spatial properties.Our MSPCG also has great generalization ability and scalability.An MSPCG trained on the ShapeNet dataset can enable multi-scale edition on point clouds, generate point clouds for unseen categories, and generate indoor scenes from a given structure. The experimental results show that our method significantly outperforms baseline methods.
• Abstract（参考訳）: Generating point clouds from structures is a highly valued method to control the generation of point clouds.One of the major problems in structure-based controllable point cloud generation is the lack of controllability to details, as details are missing in most existing representations of structures.It can be observed that definitions of details and structures are subjective.Details can be treated as structures on small scale.To represent structures in different scales at the same time, we present a graph-based representation of structures called the Multiscale Structure Graph(MSG). By treating details as small-scale structures, similar patterns of local structures can be found at different scales, places, densities, and angles.The knowledge learned from a pattern can be transferred to similar patterns in other scales.An encoding and generation mechanism, namely the Multiscale Structure-based Point Cloud Generator(MSPCG), for generating dense point clouds from the MSG is proposed, which can simultaneously learn local patterns with miscellaneous spatial properties.Our MSPCG also has great generalization ability and scalability.An MSPCG trained on the ShapeNet dataset can enable multi-scale edition on point clouds, generate point clouds for unseen categories, and generate indoor scenes from a given structure. 実験の結果,本手法はベースライン法よりも有意に優れていた。

関連論文リスト

• Learning to Model Graph Structural Information on MLPs via Graph Structure Self-Contrasting [50.181824673039436]
  本稿では,グラフ構造情報をメッセージパッシングなしで学習するグラフ構造自己コントラスト(GSSC)フレームワークを提案する。 提案するフレームワークは,構造情報を事前知識として暗黙的にのみ組み込む,MLP(Multi-Layer Perceptrons)に基づいている。 これはまず、近傍の潜在的非形式的あるいはノイズの多いエッジを取り除くために構造的スペーシングを適用し、その後、スペーシングされた近傍で構造的自己コントラストを行い、ロバストなノード表現を学ぶ。
  論文  参考訳（メタデータ） (2024-09-09T12:56:02Z)
• Learning Invariant Representations of Graph Neural Networks via Cluster Generalization [58.68231635082891]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データのモデリングでますます人気が高まっている。 本稿では,構造変化が発生した場合,GNNの性能が著しく低下することが実験的に確認された。 本稿では,GNNの不変表現を学習するクラスタ情報伝達(CIT)機構を提案する。
  論文  参考訳（メタデータ） (2024-03-06T10:36:56Z)
• StructRe: Rewriting for Structured Shape Modeling [63.792684115318906]
  本稿では,構造化形状モデリングの新しいアプローチとして,構造書換えシステムであるStructReを提案する。 ポイントとコンポーネントで表される3Dオブジェクトが与えられたら、StructReはそれを上向きに、より簡潔な構造に書き直すか、より詳細な構造に書き直すことができる。
  論文  参考訳（メタデータ） (2023-11-29T10:35:00Z)
• Bidirectional Knowledge Reconfiguration for Lightweight Point Cloud Analysis [74.00441177577295]
  ポイントクラウド分析は計算システムのオーバーヘッドに直面し、モバイルやエッジデバイスでの利用を制限する。 本稿では,軽量点雲モデルのための特徴蒸留について検討する。 本研究では,教師から生徒への情報的文脈的知識を抽出するための双方向知識再構成を提案する。
  論文  参考訳（メタデータ） (2023-10-08T11:32:50Z)
• Efficient Multi-View Graph Clustering with Local and Global Structure Preservation [59.49018175496533]
  局所・グローバル構造保存を用いた効率的なマルチビューグラフクラスタリング(EMVGC-LG)という,アンカーベースのマルチビューグラフクラスタリングフレームワークを提案する。 具体的には、EMVGC-LGがクラスタリング品質を向上させるために、アンカー構築とグラフ学習を共同で最適化する。 さらに、EMVGC-LGはサンプル数に関する既存のAMVGCメソッドの線形複雑性を継承する。
  論文  参考訳（メタデータ） (2023-08-31T12:12:30Z)
• Point cloud completion on structured feature map with feedback network [28.710494879042002]
  本稿では,FSNetを提案する。FSNetは,ポイントワイドな特徴を適応的に2次元構造的特徴マップに集約できる機能構造化モジュールである。 2次元畳み込みニューラルネットワークを用いて、FSNetから粗い完全点クラウドに特徴マップをデコードする。 点雲アップサンプリングネットワークを用いて、部分入力と粗い中間出力から高密度点雲を生成する。
  論文  参考訳（メタデータ） (2022-02-17T10:59:40Z)
• SRPCN: Structure Retrieval based Point Completion Network [9.456072124396231]
  構造検索に基づくポイントコンプリートネットワーク(SRPCN)を提案する。 最初はk平均クラスタリングを使用して構造点を抽出し、それを分布に分散し、その後、完全な構造点雲を見つけるための計量としてKLディバージェンス(英語版)が用いられる。 実験により,本手法はより正確な結果が得られ,より強力な一般化能力を有することが示された。
  論文  参考訳（メタデータ） (2022-02-06T01:20:50Z)
• Unsupervised Scale-Invariant Multispectral Shape Matching [7.04719493717788]
  非剛性伸縮構造間のアライメントは、コンピュータビジョンにおける最も難しいタスクの1つである。 スケール不変ジオメトリのスペクトルに基づく教師なしニューラルネットワークアーキテクチャを提案する。 本手法は局所的な変形によらず,異なる領域の形状のマッチングに優れた性能を示す。
  論文  参考訳（メタデータ） (2020-12-19T13:44:45Z)
• Hierarchical Graph Capsule Network [78.4325268572233]
  ノード埋め込みを共同で学習し,グラフ階層を抽出できる階層型グラフカプセルネットワーク(HGCN)を提案する。 階層的表現を学ぶために、HGCNは下層カプセル(部分)と高層カプセル(全体)の間の部分的関係を特徴付ける。
  論文  参考訳（メタデータ） (2020-12-16T04:13:26Z)
• Graph Structural-topic Neural Network [35.27112594356742]
  Graph Convolutional Networks(GCNs)は、ノードのローカル機能を効果的に収集することで、大きな成功を収めた。 本稿では,グラフのトピックモデルを利用したGCNモデルであるGraphSTONEを提案する。 ノードの特徴と構造的トピックの特徴を統一する多視点GCNを設計し、構造的トピックを利用して集約を誘導する。
  論文  参考訳（メタデータ） (2020-06-25T09:47:21Z)
• Equivariant Maps for Hierarchical Structures [17.931059591895984]
  階層構造の対称性は、ビルディングブロックの対称性の「死積」であることを示す。 点雲を酸化することにより、データに翻訳と置換の対称性の階層を課す。 私たちは、Semantic3D、S3DIS、vKITTIに関する最新の技術について報告します。
  論文  参考訳（メタデータ） (2020-06-05T18:42:12Z)

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。