論文の概要: Towards Uniform Point Distribution in Feature-preserving Point Cloud Filtering

• arxiv url: http://arxiv.org/abs/2201.01503v1
• Date: Wed, 5 Jan 2022 09:08:44 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-06 14:37:21.928598
• Title: Towards Uniform Point Distribution in Feature-preserving Point Cloud Filtering
• Title（参考訳）: 特徴保存点クラウドフィルタリングにおける一様点分布に向けて
• Authors: Shuaijun Chen, Jinxi Wang, Wei Pan, Shang Gao, Meili Wang, Xuequan Lu
• Abstract要約: 本稿では,フィルタ中の点分布と特徴保存の両面を考慮した点群フィルタリング手法を提案する。 実験の結果,より均一な点分布(平均5.8times10-5$ Chamfer Distance)を数秒で得られることがわかった。
• 参考スコア（独自算出の注目度）: 7.863178525014377
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As a popular representation of 3D data, point cloud may contain noise and need to be filtered before use. Existing point cloud filtering methods either cannot preserve sharp features or result in uneven point distribution in the filtered output. To address this problem, this paper introduces a point cloud filtering method that considers both point distribution and feature preservation during filtering. The key idea is to incorporate a repulsion term with a data term in energy minimization. The repulsion term is responsible for the point distribution, while the data term is to approximate the noisy surfaces while preserving the geometric features. This method is capable of handling models with fine-scale features and sharp features. Extensive experiments show that our method yields better results with a more uniform point distribution ($5.8\times10^{-5}$ Chamfer Distance on average) in seconds.
• Abstract（参考訳）: 3dデータの一般的な表現として、point cloudにはノイズが含まれており、使用前にフィルタリングする必要がある。 既存の点雲フィルタリング手法は、シャープな特徴を保存できないか、フィルタされた出力に不均一な点分布をもたらす。 この問題に対処するため,本稿では,点分布と特徴保存の両方を考慮したポイントクラウドフィルタリング手法を提案する。 鍵となる考え方は、エネルギー最小化においてデータ項に反発項を組み込むことである。 反発項は点分布に責任を持ち、データ項は幾何学的特徴を保ちながらノイズ表面を近似する。 この方法は、細かな特徴と鋭い特徴を持つモデルを扱うことができる。 実験により,より均一な点分布(平均で5.8\times10^{-5}$ Chamfer Distance)を数秒で得られることがわかった。

関連論文リスト

• StraightPCF: Straight Point Cloud Filtering [50.66412286723848]
  ポイントクラウドフィルタリングは、基礎となるクリーンな表面を回復しながらノイズを取り除くことを目的とした、基本的な3Dビジョンタスクである。 我々は、ポイントクラウドフィルタリングのための新しいディープラーニングベースの方法であるStraightPCFを紹介する。 ノイズの多い点を直線に沿って移動させることで、離散化誤差を低減し、クリーン表面への高速な収束を保証する。
  論文  参考訳（メタデータ） (2024-05-14T05:41:59Z)
• 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)
• IterativePFN: True Iterative Point Cloud Filtering [18.51768749680731]
  基本的な3Dビジョンタスクは、ポイントクラウドフィルタリング(point cloud filtering)またはデノイング(denoising)として知られるノイズの除去である。 本報告では,本フィルタを内部でモデル化する複数のイテレーションで構成されたIterativePFN(Iterative Cloud Filtering Network)を提案する。 我々の手法は最先端の手法よりも優れた性能が得られる。
  論文  参考訳（メタデータ） (2023-04-04T04:47:44Z)
• Contrastive Learning for Joint Normal Estimation and Point Cloud Filtering [12.602645108896636]
  本研究では,正規点とフィルタ点の雲を共同で推定する新しいディープラーニング手法を提案する。 まず,3Dパッチに基づくコントラスト学習フレームワークを導入する。 実験の結果,本手法は2つのタスクを同時にサポートし,シャープな特徴と細部を保存できることがわかった。
  論文  参考訳（メタデータ） (2022-08-14T09:16:25Z)
• PUFA-GAN: A Frequency-Aware Generative Adversarial Network for 3D Point Cloud Upsampling [56.463507980857216]
  本稿では,点群アップサンプリングのための生成的対向ネットワークを提案する。 基底表面に均等に分布するアップサンプリングポイントを作成できるだけでなく、クリーンな高周波領域を効率的に生成することができる。
  論文  参考訳（メタデータ） (2022-03-02T07:47:46Z)
• 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)
• 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)
• Dependency Aware Filter Pruning [74.69495455411987]
  重要でないフィルタを割ることは、推論コストを軽減するための効率的な方法である。 以前の作業は、その重み基準やそれに対応するバッチノームスケーリング要因に従ってフィルタをプルークする。 所望の空間性を達成するために,空間性誘導正規化を動的に制御する機構を提案する。
  論文  参考訳（メタデータ） (2020-05-06T07:41:22Z)
• Deep Feature-preserving Normal Estimation for Point Cloud Filtering [14.411519695767634]
  本稿では,ポイントクラウドフィルタリングのための特徴保存正規推定法を提案する。 学習方法であり,正規化の自動予測を実現する。 種々の実験により,本手法は最先端の正規推定法や点雲フィルタリング法より優れていることが示された。
  論文  参考訳（メタデータ） (2020-04-24T07:05:48Z)

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。