論文の概要: High-Fidelity Point Cloud Completion with Low-Resolution Recovery and
Noise-Aware Upsampling
- arxiv url: http://arxiv.org/abs/2112.11271v2
- Date: Wed, 22 Dec 2021 04:01:15 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-23 12:52:10.435300
- Title: High-Fidelity Point Cloud Completion with Low-Resolution Recovery and
Noise-Aware Upsampling
- Title（参考訳）: 低分解能リカバリとノイズアウェアアップサンプリングによる高忠実度ポイントクラウド補完
- Authors: Ren-Wu Li, Bo Wang, Chun-Peng Li, Ling-Xiao Zhang and Lin Gao
- Abstract要約: 我々はまず、低解像度(低解像度)の点雲をデコードし、洗練することを提案する。
スパースで完全点クラウドを得た後、パッチワイズアップサンプリング戦略を提案する。
- 参考スコア（独自算出の注目度）: 7.1930172833530195
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Completing an unordered partial point cloud is a challenging task. Existing
approaches that rely on decoding a latent feature to recover the complete
shape, often lead to the completed point cloud being over-smoothing, losing
details, and noisy. Instead of decoding a whole shape, we propose to decode and
refine a low-resolution (low-res) point cloud first, and then performs a
patch-wise noise-aware upsampling rather than interpolating the whole sparse
point cloud at once, which tends to lose details. Regarding the possibility of
lacking details of the initially decoded low-res point cloud, we propose an
iterative refinement to recover the geometric details and a symmetrization
process to preserve the trustworthy information from the input partial point
cloud. After obtaining a sparse and complete point cloud, we propose a
patch-wise upsampling strategy. Patch-based upsampling allows to better recover
fine details unlike decoding a whole shape, however, the existing upsampling
methods are not applicable to completion task due to the data discrepancy
(i.e., input sparse data here is not from ground-truth). Therefore, we propose
a patch extraction approach to generate training patch pairs between the sparse
and ground-truth point clouds, and an outlier removal step to suppress the
noisy points from the sparse point cloud. Together with the low-res recovery,
our whole method is able to achieve high-fidelity point cloud completion.
Comprehensive evaluations are provided to demonstrate the effectiveness of the
proposed method and its individual components.
- Abstract（参考訳）: 非順序部分点クラウドの完了は難しい作業です。
完全な形状を回復するために潜在機能のデコードに依存する既存のアプローチは、しばしば完了したポイントクラウドが過度に滑らかになり、詳細が失われ、うるさい。
まず,全形状をデコードする代わりに,まず低解像度(低解像度)ポイントクラウドをデコードし,精錬し,その後,スパースポイントクラウド全体を一度に補間するのではなく,パッチ単位でノイズアウェアアップサンプリングを行うことを提案する。
初期復号化低res点雲の詳細が欠落する可能性について,幾何的詳細を復元するための反復改良法と,入力部分点雲から信頼できる情報を保存するための対称性化法を提案する。
スパースかつ完全なポイントクラウドを得た後,パッチによるアップサンプリング戦略を提案する。
パッチベースのアップサンプリングは、全体形状をデコードするのとは違い、細部をより正確に復元することができるが、既存のアップサンプリング手法はデータの差による完了タスクには適用できない(つまり、ここで入力されるスパースデータは、地上からではない)。
そこで本研究では,スパース点と接地トラス点の雲間のトレーニングパッチペアを生成するパッチ抽出手法と,スパース点の雲からのノイズを抑えるアウトリー除去ステップを提案する。
低解像度のリカバリと合わせて、全メソッドが高忠実度ポイントクラウドコンプリートを実現します。
提案手法とその個別成分の有効性を示すため,包括的評価を行った。
関連論文リスト
- Fast Learning of Signed Distance Functions from Noisy Point Clouds via Noise to Noise Mapping [54.38209327518066]
点雲から符号付き距離関数を学習することは、3Dコンピュータビジョンにおいて重要な課題である。
クリーンポイントクラウドや地上の真理監督を必要としないノイズ・ノイズマッピングを用いてSDFを学習することを提案する。
我々の新しい特徴はノイズ・ト・ノイズマッピングにあり、1つの物体やシーンの高精度なSDFを、その多重または単一ノイズの観測から推測することができる。
論文 参考訳（メタデータ） (2024-07-04T03:35:02Z) - Learning Continuous Implicit Field with Local Distance Indicator for
Arbitrary-Scale Point Cloud Upsampling [55.05706827963042]
点雲アップサンプリングは、疎点雲から密度が高く均一に分散した点集合を生成することを目的としている。
従来のメソッドは通常、スパースポイントクラウドをいくつかのローカルパッチ、アップサンプルパッチポイント、すべてのアップサンプルパッチにマージする。
そこで本研究では,点雲のアップサンプリングのために,局所的な先行者によって導かれる符号のない距離場を学習する手法を提案する。
論文 参考訳（メタデータ） (2023-12-23T01:52:14Z) - Arbitrary point cloud upsampling via Dual Back-Projection Network [12.344557879284219]
ポイントクラウドアップサンプリング(DBPnet)のためのデュアルバックプロジェクションネットワークを提案する。
デュアルバックプロジェクションは、ポイントクラウドアップサンプリングのためのアップアップアップ方式で定式化される。
実験の結果,提案手法は最小の点集合の損失を達成できることがわかった。
論文 参考訳（メタデータ） (2023-07-18T06:11:09Z) - Grad-PU: Arbitrary-Scale Point Cloud Upsampling via Gradient Descent
with Learned Distance Functions [77.32043242988738]
我々は、任意のアップサンプリングレートをサポートする、正確なポイントクラウドアップサンプリングのための新しいフレームワークを提案する。
提案手法は,まず,所定のアップサンプリング率に応じて低解像度の雲を補間する。
論文 参考訳（メタデータ） (2023-04-24T06:36:35Z) - Upsampling Autoencoder for Self-Supervised Point Cloud Learning [11.19408173558718]
人間のアノテーションを使わずに、ポイントクラウド学習のための自己教師付き事前学習モデルを提案する。
アップサンプリング操作は、ポイントクラウドの高レベルセマンティック情報と低レベル幾何情報の両方を捕捉することをネットワークに促す。
我々のUAEは、形状分類、部分分割、点雲アップサンプリングタスクにおいて、従来の最先端手法よりも優れています。
論文 参考訳（メタデータ） (2022-03-21T07:20:37Z) - Variable Rate Compression for Raw 3D Point Clouds [5.107705550575662]
そこで本研究では,生の3Dポイントクラウドデータを用いた新しい可変レート深部圧縮アーキテクチャを提案する。
我々のネットワークは、ポイントクラウドを明示的に処理し、圧縮された記述を生成することができる。
論文 参考訳（メタデータ） (2022-02-28T15:15:39Z) - Patch-Based Deep Autoencoder for Point Cloud Geometry Compression [8.44208490359453]
本稿では,ディープラーニングを用いたパッチベースの圧縮プロセスを提案する。
私たちはポイントクラウドをパッチに分割し、各パッチを個別に圧縮します。
復号処理では、最終的に圧縮されたパッチを完全な点クラウドに組み立てる。
論文 参考訳（メタデータ） (2021-10-18T08:59:57Z) - PoinTr: Diverse Point Cloud Completion with Geometry-Aware Transformers [81.71904691925428]
本稿では,ポイントクラウドの完了をセット・ツー・セットの翻訳問題として再定義する手法を提案する。
我々はまた、ポイントクラウド補完のためにトランスフォーマーエンコーダデコーダアーキテクチャを採用するPoinTrと呼ばれる新しいモデルも設計している。
提案手法は,新しいベンチマークと既存ベンチマークの両方において,最先端の手法よりも優れた性能を示す。
論文 参考訳（メタデータ） (2021-08-19T17:58:56Z) - "Zero Shot" Point Cloud Upsampling [4.737519767218666]
本稿では,Zero Shot" Point Cloud Upsampling (ZSPU) と呼ばれる点群を総括的に監視する手法を提案する。
我々のアプローチは、自己学習とテストの両方のフェーズにパッチを当てることなく、特定のポイントクラウドによって提供される内部情報のみに基づいています。
ZSPUは、複雑な局所的な詳細や高い曲率を持つ形状の質的な結果を得る。
論文 参考訳（メタデータ） (2021-06-25T17:06:18Z) - Point Cloud Completion by Learning Shape Priors [74.80746431691938]
形状の先行には、完全点雲と部分点雲の両方の幾何学的情報が含まれる。
完全点から先行する形状を学習するための特徴アライメント戦略を設計し、微細な段階で部分的な事前を組み込むための粗い微妙な戦略を設計する。
我々はポイントクラウド完了タスクで最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2020-08-02T04:00:32Z) - Cascaded Refinement Network for Point Cloud Completion [74.80746431691938]
本稿では,細かな物体形状を合成するための粗大な戦略とともに,カスケード型精細化ネットワークを提案する。
部分入力の局所的な詳細と大域的な形状情報を合わせて考えると、既存の詳細を不完全点集合に保存することができる。
また、各局所領域が同じパターンと基底的真理を持つことを保証し、複雑な点分布を学習するパッチ判別器を設計する。
論文 参考訳（メタデータ） (2020-04-07T13:03:29Z)
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。