論文の概要: PMP-Net++: Point Cloud Completion by Transformer-Enhanced Multi-step Point Moving Paths

• arxiv url: http://arxiv.org/abs/2202.09507v1
• Date: Sat, 19 Feb 2022 03:00:40 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-23 09:11:02.313886
• Title: PMP-Net++: Point Cloud Completion by Transformer-Enhanced Multi-step Point Moving Paths
• Title（参考訳）: PMP-Net++:変換器強化多段階移動経路によるポイントクラウド補完
• Authors: Xin Wen, Peng Xiang, Yan-Pei Cao, Pengfei Wan, Wen Zheng, Yu-Shen Liu
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 43.74156876003249
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Point cloud completion concerns to predict missing part for incomplete 3D shapes. A common strategy is to generate complete shape according to incomplete input. However, unordered nature of point clouds will degrade generation of high-quality 3D shapes, as detailed topology and structure of unordered points are hard to be captured during the generative process using an extracted latent code. We address this problem by formulating completion as point cloud deformation process. Specifically, we design a novel neural network, named PMP-Net++, to mimic behavior of an earth mover. It moves each point of incomplete input to obtain a complete point cloud, where total distance of point moving paths (PMPs) should be the shortest. Therefore, PMP-Net++ predicts unique PMP for each point according to constraint of point moving distances. The network learns a strict and unique correspondence on point-level, and thus improves quality of predicted complete shape. Moreover, since moving points heavily relies on per-point features learned by network, we further introduce a transformer-enhanced representation learning network, which significantly improves completion performance of PMP-Net++. We conduct comprehensive experiments in shape completion, and further explore application on point cloud up-sampling, which demonstrate non-trivial improvement of PMP-Net++ over state-of-the-art point cloud completion/up-sampling methods.
• Abstract（参考訳）: 不完全な3D形状の欠落部分を予測するために、クラウドの完了を指示する。 一般的な戦略は、不完全な入力に応じて完全な形状を生成することである。 しかし,不規則点の詳細なトポロジーや構造は抽出された潜在コードを用いて生成過程において捉えにくいため,無秩序点雲は高品質な3次元形状の生成を劣化させる。 我々は、完了を点雲変形過程として定式化することでこの問題に対処する。 具体的には,地球移動体の挙動を模倣する新しいニューラルネットワーク pmp-net++ を設計した。 点移動経路(pmps)の総距離が最短となるような、不完全入力の各点を全点クラウドに移動させる。 したがって、PMP-Net++は点移動距離の制約に従って各点について独自のPMPを予測する。 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。 さらに,移動ポイントはネットワークが学習するポイント単位の機能に大きく依存するので,pmp-net++の完成性能を大幅に向上させるトランスフォーマティブエンハンスド表現学習ネットワークも導入する。 我々は、形状完備化に関する包括的な実験を行い、さらにポイントクラウドアップサンプリングの応用を探求し、最先端のポイントクラウドコンプリート/アップサンプリング手法に対するPMP-Net++の非自明な改善を示す。

関連論文リスト

• 3DMambaComplete: Exploring Structured State Space Model for Point Cloud Completion [19.60626235337542]
  3DMambaCompleteは、新しいMambaフレームワーク上に構築されたポイントクラウド補完ネットワークである。 Mambaの選択メカニズムを使ってポイントクラウド機能をエンコードし、ハイパーポイントのセットを予測する。 変形法はハイパーポイントの2次元メッシュ表現を点雲再構成のための微細な3次元構造に変換する。
  論文  参考訳（メタデータ） (2024-04-10T15:45:03Z)
• Snowflake Point Deconvolution for Point Cloud Completion and Generation with Skip-Transformer [60.32185890237936]
  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。
  論文  参考訳（メタデータ） (2022-02-18T17:09:49Z)
• 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)
• CpT: Convolutional Point Transformer for 3D Point Cloud Processing [10.389972581905]
  CpT: Convolutional Point Transformer - 3Dポイントクラウドデータの非構造化の性質を扱うための新しいディープラーニングアーキテクチャ。 CpTは、既存の注目ベースのConvolutions Neural Networksと、以前の3Dポイントクラウド処理トランスフォーマーの改善である。 我々のモデルは、既存の最先端のアプローチと比較して、様々なポイントクラウド処理タスクの効果的なバックボーンとして機能する。
  論文  参考訳（メタデータ） (2021-11-21T17:45:55Z)
• 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)
• SoftPoolNet: Shape Descriptor for Point Cloud Completion and Classification [93.54286830844134]
  本稿では,点雲に基づく3次元オブジェクトの補完と分類手法を提案する。 デコーダの段階では,グローバルな活性化エントロピーの最大化を目的とした新しい演算子である地域畳み込みを提案する。 我々は,オブジェクトの完成度や分類,最先端の精度の達成など,異なる3次元タスクに対するアプローチを評価する。
  論文  参考訳（メタデータ） (2020-08-17T14:32:35Z)
• 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。