論文の概要: Snowflake Point Deconvolution for Point Cloud Completion and Generation with Skip-Transformer

• arxiv url: http://arxiv.org/abs/2202.09367v2
• Date: Tue, 22 Feb 2022 11:58:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-23 12:44:46.428695
• Title: Snowflake Point Deconvolution for Point Cloud Completion and Generation with Skip-Transformer
• Title（参考訳）: 点雲完了のためのスノーフレーク点デコンボリューションとスキップ変換器による生成
• Authors: Peng Xiang, Xin Wen, Yu-Shen Liu, Yan-Pei Cao, Pengfei Wan, Wen Zheng, Zhizhong Han
• Abstract要約: 完全点雲を生成するために,Snowflake Point Deconvolution (SPD) を用いたSnowflakeNetを提案する。 SPDは、完全点雲の生成を雪片のような点の成長としてモデル化し、それぞれのSPD後に親点を分割することで、子点を徐々に生成する。 詳細な幾何学を明らかにする上での洞察は,ローカル領域に最適な点分割パターンを学習するために,SPDにスキップ変換器を導入することである。
• 参考スコア（独自算出の注目度）: 60.32185890237936
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Most existing point cloud completion methods suffered from discrete nature of point clouds and unstructured prediction of points in local regions, which makes it hard to reveal fine local geometric details. To resolve this issue, we propose SnowflakeNet with Snowflake Point Deconvolution (SPD) to generate the complete point clouds. SPD models the generation of complete point clouds as the snowflake-like growth of points, where the child points are progressively generated by splitting their parent points after each SPD. Our insight of revealing detailed geometry is to introduce skip-transformer in SPD to learn point splitting patterns which can fit local regions the best. Skip-transformer leverages attention mechanism to summarize the splitting patterns used in previous SPD layer to produce the splitting in current SPD layer. The locally compact and structured point clouds generated by SPD precisely reveal the structure characteristic of 3D shape in local patches, which enables us to predict highly detailed geometries. Moreover, since SPD is a general operation, which is not limited to completion, we further explore the applications of SPD on other generative tasks, including point cloud auto-encoding, generation, single image reconstruction and upsampling. Our experimental results outperform the state-of-the-art methods under widely used benchmarks.
• Abstract（参考訳）: 既存のポイントクラウド補完手法のほとんどは、ポイントクラウドの離散的性質と、ローカル領域におけるポイントの非構造化予測に苦しめられているため、詳細な局所幾何学的詳細を明らかにすることは困難である。 この問題を解決するために,Snowflake Point Deconvolution (SPD) を用いたSnowflakeNetを提案する。 SPDは、完全点雲の生成を雪片のような点の成長としてモデル化し、それぞれのSPD後に親点を分割することで、子点を徐々に生成する。 詳細な幾何学を明らかにする上での洞察は,ローカル領域に最適な点分割パターンを学習するために,SPDにスキップ変換器を導入することである。 スキップ変換器は注意機構を利用して、以前のSPD層で使われる分割パターンを要約し、現在のSPD層で分割を生成する。 spdによって生成された局所コンパクトで構造化された点雲は,局所パッチにおける3次元形状の構造特性を正確に明らかにした。 さらに,SPDは完成に限らず一般的な操作であるため,ポイントクラウドの自動エンコーディング,生成,単一画像再構成,アップサンプリングなど,他の生成タスクへのSPDの適用についても検討する。 実験結果は,広く使用されているベンチマークでは最先端の手法を上回っている。

関連論文リスト

• 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)
• PMP-Net++: Point Cloud Completion by Transformer-Enhanced Multi-step Point Moving Paths [60.32185890237936]
  我々は、地球移動体の動作を模倣する新しいニューラルネットワーク、PMP-Net++を設計する。 不完全入力の各点を移動させ、点移動経路(PMP)の総距離が最短となる完全点雲を得る。 ネットワークは点レベルの厳密でユニークな対応を学習し、予測された完全形状の品質を向上させる。
  論文  参考訳（メタデータ） (2022-02-19T03:00:40Z)
• SnowflakeNet: Point Cloud Completion by Snowflake Point Deconvolution with Skip-Transformer [54.45987960347304]
  完全点雲を生成するために,Snowflake Point Deconvolution (SPD) を用いたSnowflakeNetを提案する。 SPDは、局所的に最も適した点分割パターンを学習する。 我々の実験結果は,広く使用されているベンチマークにおいて,最先端のクラウド補完手法よりも優れていた。
  論文  参考訳（メタデータ） (2021-08-10T04:33:37Z)
• 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)
• 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)
• SK-Net: Deep Learning on Point Cloud via End-to-end Discovery of Spatial Keypoints [7.223394571022494]
  本稿では,空間キーポイントの推論と点雲の特徴表現の学習を協調的に最適化する,エンドツーエンドのフレームワークであるSK-Netを提案する。 提案手法は,ポイントクラウドタスクにおける最先端手法に匹敵する性能を示した。
  論文  参考訳（メタデータ） (2020-03-31T08:15:40Z)
• PF-Net: Point Fractal Network for 3D Point Cloud Completion [6.504317278066694]
  ポイントフラクタルネットワーク(PF-Net)は、正確かつ高忠実なポイントクラウド補完のための新しい学習ベースのアプローチである。 PF-Netは不完全点雲の空間配置を保存し、その予測において欠落領域の詳細な幾何学的構造を把握できる。 本実験は,いくつかの難点クラウド完了タスクにおいて,本手法の有効性を示すものである。
  論文  参考訳（メタデータ） (2020-03-01T05:40:21Z)

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。