Fugu-MT 論文翻訳(概要): GASCN: Graph Attention Shape Completion Network

論文の概要: GASCN: Graph Attention Shape Completion Network

arxiv url: http://arxiv.org/abs/2201.07937v1
Date: Thu, 20 Jan 2022 01:03:00 GMT
ステータス: 処理完了
システム内更新日: 2022-01-21 14:26:38.844342
Title: GASCN: Graph Attention Shape Completion Network
Title（参考訳）: gascn:グラフ注意形状完了ネットワーク
Authors: Haojie Huang, Ziyi Yang, Robert Platt
Abstract要約: 形状完備化は、部分点雲が与えられた物体の完全な幾何学を推測する問題である。本稿では,この問題を解決するニューラルネットワークモデルであるGASCN(Graph Attention Shape Completion Network)を提案する。完成した各点について、我々は局所的な表面パッチの範囲を推定し、密で正確な形状の完備化を導出する。
参考スコア（独自算出の注目度）: 4.307812758854162
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Shape completion, the problem of inferring the complete geometry of an object given a partial point cloud, is an important problem in robotics and computer vision. This paper proposes the Graph Attention Shape Completion Network (GASCN), a novel neural network model that solves this problem. This model combines a graph-based model for encoding local point cloud information with an MLP-based architecture for encoding global information. For each completed point, our model infers the normal and extent of the local surface patch which is used to produce dense yet precise shape completions. We report experiments that demonstrate that GASCN outperforms standard shape completion methods on a standard benchmark drawn from the Shapenet dataset.
Abstract（参考訳）: 部分点雲が与えられた物体の完全な形状を推測する問題である形状完了は、ロボット工学やコンピュータビジョンにおいて重要な問題である。本稿では,この問題を解決するニューラルネットワークモデルであるGASCN(Graph Attention Shape Completion Network)を提案する。このモデルは、ローカルポイントクラウド情報をエンコーディングするグラフベースのモデルと、グローバル情報をエンコーディングするmlpベースのアーキテクチャを組み合わせる。各完成点について,本モデルでは,濃密かつ精密な形状完了を実現するために使用される局所表面パッチの標準値と範囲を推定する。本稿では, GASCNがShapenetデータセットから抽出した標準ベンチマークにおいて, 標準形状補完法より優れていることを示す実験を報告する。

関連論文リスト

Graph Auto-Encoders for Network Completion [6.1074304332419675]
本稿では,ネットワークの観測部分から学習した接続パターンを用いてグラフ全体を完成させるモデルを提案する。提案モデルでは,少ない情報で競合性能を達成できた。
論文参考訳（メタデータ） (2022-04-25T05:24:45Z)
PointAttN: You Only Need Attention for Point Cloud Completion [89.88766317412052]
ポイント・クラウド・コンプリート(Point cloud completion)とは、部分的な3次元ポイント・クラウドから3次元の形状を完成させることである。そこで我々は,kNNを除去するために,ポイントクラウドをポイント単位に処理する新しいニューラルネットワークを提案する。提案するフレームワークであるPointAttNはシンプルで簡潔で効果的であり、3次元形状の構造情報を正確に捉えることができる。
論文参考訳（メタデータ） (2022-03-16T09:20:01Z)
Graph-Guided Deformation for Point Cloud Completion [35.10606375236494]
本稿では,入力データと中間生成を制御および支持点とみなすグラフガイド変形ネットワークを提案する。我々の重要な洞察は、メッシュ変形法による最小2乗ラプラシア変形過程をシミュレートすることであり、幾何学的詳細のモデリングに適応性をもたらす。我々はGCN誘導変形による従来のグラフィックアルゴリズムを模倣して、ポイントクラウド補完タスクを改良した最初の人物である。
論文参考訳（メタデータ） (2021-11-11T12:55:26Z)
Voxel-based Network for Shape Completion by Leveraging Edge Generation [76.23436070605348]
エッジ生成(VE-PCN)を利用した点雲補完のためのボクセルネットワークを開発した。まず点雲を正規のボクセル格子に埋め込み、幻覚した形状のエッジの助けを借りて完全な物体を生成する。この分離されたアーキテクチャとマルチスケールのグリッド機能学習は、より現実的な表面上の詳細を生成することができる。
論文参考訳（メタデータ） (2021-08-23T05:10:29Z)
ASFM-Net: Asymmetrical Siamese Feature Matching Network for Point Completion [11.243242995190082]
ASFM-Netと呼ばれる機能マッチング戦略を用いた新しいポイントクラウド補完ネットワークを提案する。具体的には、非対称なシームズオートエンコーダニューラルネットワークを用いて、部分的および完全な入力点雲を共有潜在空間にマッピングし、より詳細な形状を事前にキャプチャすることができる。 pcn データセットと completion3d ベンチマークで実験を行い、提案する asfm-net の最先端性能を実証した。
論文参考訳（メタデータ） (2021-04-19T19:42:42Z)
PMP-Net: Point Cloud Completion by Learning Multi-step Point Moving Paths [54.459879603473034]
我々はPMP-Netと呼ばれる新しいニューラルネットワークを設計し、地球移動体の動作を模倣する。不完全な入力の各点を移動させ、ポイントクラウドを完結させ、ポイント移動パスの合計距離が最も短くなる。点レベルの厳密でユニークな対応を学習し、不完全な形状と完全なターゲットの間の詳細なトポロジーと構造的関係を捉えることができる。
論文参考訳（メタデータ） (2020-12-07T01:34:38Z)
Refinement of Predicted Missing Parts Enhance Point Cloud Completion [62.997667081978825]
点雲完了は、部分的な観測から3次元形状の点集合表現を用いて完全な幾何学を予測するタスクである。従来のアプローチでは、不完全点集合によって供給されるエンコーダ・デコーダモデルにより、点雲全体を直接推定するニューラルネットワークが提案されていた。本稿では、欠落した幾何を計算し、既知の入力と予測点クラウドを融合することに焦点を当てたエンドツーエンドニューラルネットワークアーキテクチャを提案する。
論文参考訳（メタデータ） (2020-10-08T22:01:23Z)
GFPNet: A Deep Network for Learning Shape Completion in Generic Fitted Primitives [68.8204255655161]
本稿では,GP(Generic Primitives)と呼ばれるオブジェクト再構成装置を提案する。 GFPNet は ModelNet および KITTI ベンチマークデータセットの性能評価結果を提供することで, 形状完成手法の状況と競合することを示す。
論文参考訳（メタデータ） (2020-06-03T08:29:27Z)
Point Cloud Completion by Skip-attention Network with Hierarchical Folding [61.59710288271434]
本研究では,3Dポイントクラウド補完のためのSkip-Attention Network (SA-Net)を提案する。まず,不完全点雲の局所構造を効果的に活用するためのスキップアテンション機構を提案する。第二に、異なる解像度でスキップアテンション機構によって符号化された選択された幾何情報を完全に活用するために、新しい構造保存デコーダを提案する。
論文参考訳（メタデータ） (2020-05-08T06:23:51Z)
Airborne LiDAR Point Cloud Classification with Graph Attention Convolution Neural Network [5.69168146446103]
本稿では,空飛ぶLiDARにより得られる非構造化3次元点雲の分類に直接適用可能なグラフ注意畳み込みニューラルネットワーク(GACNN)を提案する。提案するグラフアテンション・コンボリューション・モジュールに基づいて,GACNNと呼ばれるエンド・ツー・エンドのエンコーダ・デコーダネットワークを設計し,ポイント・クラウドのマルチスケールな特徴を捉える。 ISPRS 3Dラベリングデータセットの実験では、提案モデルが平均F1スコア(71.5%)と全精度(83.2%)で新しい最先端性能を達成することが示された。
論文参考訳（メタデータ） (2020-04-20T05:12:31Z)

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。