論文の概要: POCO: Point Convolution for Surface Reconstruction

• arxiv url: http://arxiv.org/abs/2201.01831v1
• Date: Wed, 5 Jan 2022 21:26:18 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-07 14:37:22.285065
• Title: POCO: Point Convolution for Surface Reconstruction
• Title（参考訳）: POCO:表面再構成のためのポイントコンボリューション
• Authors: Alexandre Boulch, Renaud Marlet
• Abstract要約: 入射ニューラルネットワークは点雲からの表面再構成に成功している。 それらの多くは、オブジェクトやシーン全体を1つの潜伏ベクトルにエンコードするときにスケーラビリティの問題に直面します。 本稿では,各入力点における点雲畳み込みと潜在ベクトルの計算を提案する。
• 参考スコア（独自算出の注目度）: 92.22371813519003
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Implicit neural networks have been successfully used for surface reconstruction from point clouds. However, many of them face scalability issues as they encode the isosurface function of a whole object or scene into a single latent vector. To overcome this limitation, a few approaches infer latent vectors on a coarse regular 3D grid or on 3D patches, and interpolate them to answer occupancy queries. In doing so, they loose the direct connection with the input points sampled on the surface of objects, and they attach information uniformly in space rather than where it matters the most, i.e., near the surface. Besides, relying on fixed patch sizes may require discretization tuning. To address these issues, we propose to use point cloud convolutions and compute latent vectors at each input point. We then perform a learning-based interpolation on nearest neighbors using inferred weights. Experiments on both object and scene datasets show that our approach significantly outperforms other methods on most classical metrics, producing finer details and better reconstructing thinner volumes. The code is available at https://github.com/valeoai/POCO.
• Abstract（参考訳）: 入射ニューラルネットワークは点雲からの表面再構成に成功している。 しかし、それらの多くは、オブジェクトやシーン全体のisosurface関数を単一の潜在ベクトルにエンコードするため、スケーラビリティの問題に直面している。 この制限を克服するために、粗い正規3Dグリッドや3Dパッチ上の潜伏ベクトルを推論し、それらを補間して占有クエリに応答する。 そうすることで、オブジェクトの表面でサンプリングされた入力ポイントとの直接接続を緩め、最も重要な場所、すなわち表面近傍の場所よりも、空間内で情報を均一にアタッチする。 さらに、固定パッチサイズに依存するには、離散化チューニングが必要になる可能性がある。 これらの問題に対処するために,各入力点における点雲畳み込みと潜在ベクトルの計算を提案する。 次に,推定重みを用いた学習ベースの補間を行う。 オブジェクトとシーンの両方のデータセットにおける実験により、我々のアプローチは、ほとんどの古典的メトリクスの他のメソッドを大きく上回り、より詳細な詳細を生成し、より薄いボリュームを再構築する。 コードはhttps://github.com/valeoai/pocoで入手できる。

関連論文リスト

• GridPull: Towards Scalability in Learning Implicit Representations from 3D Point Clouds [60.27217859189727]
  大規模クラウドから暗黙の表現を学習する効率を改善するため,GridPullを提案する。 我々の斬新さは、ニューラルネットワークを使わずにグリッド上に定義された離散距離場の高速な推論にある。 我々は、一様格子を用いて高速グリッド探索を行い、サンプルクエリをローカライズし、木構造内の表面点を整理し、表面への距離の計算を高速化する。
  論文  参考訳（メタデータ） (2023-08-25T04:52:52Z)
• Quadric Representations for LiDAR Odometry, Mapping and Localization [93.24140840537912]
  現在のLiDARオードメトリ、マッピング、ローカライズ手法は、3Dシーンのポイントワイズ表現を利用する。 3次元オブジェクトのよりコンパクトな表現である2次元曲面を用いたシーン記述法を提案する。 提案手法は低レイテンシとメモリの有効性を維持しつつ、競争力があり、しかも精度も優れている。
  論文  参考訳（メタデータ） (2023-04-27T13:52:01Z)
• Unsupervised Inference of Signed Distance Functions from Single Sparse Point Clouds without Learning Priors [54.966603013209685]
  3次元点雲から符号付き距離関数(SDF)を推測することは不可欠である。 単一スパース点雲から直接SDFを推定するニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2023-03-25T15:56:50Z)
• Reconstructing Surfaces for Sparse Point Clouds with On-Surface Priors [52.25114448281418]
  現在の方法では、接地距離や点正規化なしに単一点雲から符号付き距離関数 (Signed Distance Function, SDF) を学習することで、表面を再構築することができる。 そこで本稿では, 表面上の粗い点雲から高精度な表面を復元することを提案する。 本手法は, 接地距離や点正規化を伴わずに, 単一のスパース点雲からSDFを学習することができる。
  論文  参考訳（メタデータ） (2022-04-22T09:45:20Z)
• Stratified Transformer for 3D Point Cloud Segmentation [89.9698499437732]
  Stratified Transformerは、長距離コンテキストをキャプチャし、強力な一般化能力と高性能を示す。 不規則な点配置によって引き起こされる課題に対処するために,局所情報を集約する第1層点埋め込みを提案する。 S3DIS, ScanNetv2およびShapeNetPartデータセットにおける本手法の有効性と優位性を示す実験を行った。
  論文  参考訳（メタデータ） (2022-03-28T05:35:16Z)
• LatticeNet: Fast Spatio-Temporal Point Cloud Segmentation Using Permutohedral Lattices [27.048998326468688]
  深層畳み込みニューラルネットワーク(CNN)は、画像のセグメンテーションに際し、優れた性能を示している。 本稿では,3次元セマンティックセグメンテーションの新たなアプローチであるLatticeNetを提案する。 本稿では,本手法が最先端性能を実現する複数のデータセット上での3次元セグメント化の結果について述べる。
  論文  参考訳（メタデータ） (2021-08-09T10:17:27Z)
• Mapping of Sparse 3D Data using Alternating Projection [35.735398244213584]
  テクスチャがない場合にスパース3Dスキャンを登録する新しい手法を提案する。 KinectFusionのような既存の方法は、高密度の点雲に大きく依存している。 本稿では,交差制約と剛性制約の同時満足度として登録を定式化した2段階交互投影アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-10-04T17:40:30Z)
• 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)
• ParSeNet: A Parametric Surface Fitting Network for 3D Point Clouds [40.52124782103019]
  本稿では、3次元点雲をパラメトリックな表面パッチに分解するParSeNetという,エンドツーエンドのトレーニング可能な深層ネットワークを提案する。 ParSeNetは、人造の3D形状の大規模なデータセットに基づいてトレーニングされ、形状分解のための高レベルのセマンティック先行をキャプチャする。
  論文  参考訳（メタデータ） (2020-03-26T22:54:18Z)

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。