論文の概要: Point Cloud Denoising via Momentum Ascent in Gradient Fields
- arxiv url: http://arxiv.org/abs/2202.10094v1
- Date: Mon, 21 Feb 2022 10:21:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-24 11:29:25.692237
- Title: Point Cloud Denoising via Momentum Ascent in Gradient Fields
- Title(参考訳): グラディエントフィールドでのMomentum Ascentによるポイントクラウドのデノーミング
- Authors: Yaping Zhao, Haitian Zheng, Zhongrui Wang, Jiebo Luo, Edmund Y. Lam
- Abstract要約: ニューラルネットワークを用いて雑音点雲から勾配場を推定する勾配法を提案した。
そこで我々は,過去の反復情報を利用して,点の軌跡を決定する運動量勾配上昇法を開発した。
実験により,提案手法は様々な点雲と雑音レベルを持つ最先端の手法より優れていることが示された。
- 参考スコア(独自算出の注目度): 72.93429911044903
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: To achieve point cloud denoising, traditional methods heavily rely on
geometric priors, and most learning-based approaches suffer from outliers and
loss of details. Recently, the gradient-based method was proposed to estimate
the gradient fields from the noisy point clouds using neural networks, and
refine the position of each point according to the estimated gradient. However,
the predicted gradient could fluctuate, leading to perturbed and unstable
solutions, as well as a large inference time. To address these issues, we
develop the momentum gradient ascent method that leverages the information of
previous iterations in determining the trajectories of the points, thus
improving the stability of the solution and reducing the inference time.
Experiments demonstrate that the proposed method outperforms state-of-the-art
methods with a variety of point clouds and noise levels.
- Abstract(参考訳): ポイントクラウドを特徴付けるために、従来の手法は幾何学的優先順位に大きく依存しており、ほとんどの学習ベースのアプローチは外れ値と詳細の喪失に苦しむ。
近年,ニューラルネットワークを用いて雑音の多い点雲から勾配場を推定し,推定した勾配に応じて各点の位置を改良する勾配法が提案されている。
しかし、予測された勾配は変動し、摂動と不安定な解、そして大きな推論時間をもたらす可能性がある。
これらの問題に対処するために,前回の反復の情報を活用して点の軌跡を決定する運動量勾配上昇法を開発し,解の安定性を改善し,推定時間を短縮する。
実験により,提案手法が,様々な点群と騒音レベルで最先端手法を上回ったことを示す。
関連論文リスト
- One-Step Forward and Backtrack: Overcoming Zig-Zagging in Loss-Aware
Quantization Training [12.400950982075948]
重み量子化は、限られたリソースを持つエッジデバイスに展開するディープニューラルネットワークを圧縮する効果的な手法である。
従来の損失対応量子化法は、全精度勾配を置き換えるために量子化勾配を用いるのが一般的である。
本稿では、損失認識量子化のための1ステップの前進およびバックトラック手法を提案し、より正確で安定した勾配方向を得る。
論文 参考訳(メタデータ) (2024-01-30T05:42:54Z) - Fast graph-based denoising for point cloud color information [29.126056066012264]
例えば、3Dポイントクラウドを使ったライブストリーミングでは、視覚的品質を高めるためにリアルタイムのポイントクラウドデノゲーション方法が必要である。
本稿では,大規模クラウドのための高速グラフベースデノイング(FGBD)を提案する。
本実験では,従来の復調法と比較して精度を保ちながら,処理時間を劇的に短縮することに成功した。
論文 参考訳(メタデータ) (2024-01-18T04:51:41Z) - NeuralGF: Unsupervised Point Normal Estimation by Learning Neural
Gradient Function [55.86697795177619]
3次元点雲の正規推定は3次元幾何処理の基本的な課題である。
我々は,ニューラルネットワークが入力点雲に適合することを奨励する,ニューラルグラデーション関数の学習のための新しいパラダイムを導入する。
広範に使用されているベンチマークの優れた結果から,本手法は非指向性および指向性正常推定タスクにおいて,より正確な正規性を学習できることが示されている。
論文 参考訳(メタデータ) (2023-11-01T09:25:29Z) - Neural Gradient Learning and Optimization for Oriented Point Normal
Estimation [53.611206368815125]
本研究では,3次元点雲から勾配ベクトルを一貫した向きで学習し,正規推定を行うためのディープラーニング手法を提案する。
局所平面幾何に基づいて角距離場を学習し、粗勾配ベクトルを洗練する。
本手法は,局所特徴記述の精度と能力の一般化を図りながら,グローバル勾配近似を効率的に行う。
論文 参考訳(メタデータ) (2023-09-17T08:35:11Z) - Grad-PU: Arbitrary-Scale Point Cloud Upsampling via Gradient Descent
with Learned Distance Functions [77.32043242988738]
我々は、任意のアップサンプリングレートをサポートする、正確なポイントクラウドアップサンプリングのための新しいフレームワークを提案する。
提案手法は,まず,所定のアップサンプリング率に応じて低解像度の雲を補間する。
論文 参考訳(メタデータ) (2023-04-24T06:36:35Z) - Implicit Bias in Leaky ReLU Networks Trained on High-Dimensional Data [63.34506218832164]
本研究では,ReLUを活性化した2層完全連結ニューラルネットワークにおける勾配流と勾配降下の暗黙的バイアスについて検討する。
勾配流には、均一なニューラルネットワークに対する暗黙のバイアスに関する最近の研究を活用し、リーク的に勾配流が2つ以上のランクを持つニューラルネットワークを生成することを示す。
勾配降下は, ランダムな分散が十分小さい場合, 勾配降下の1ステップでネットワークのランクが劇的に低下し, トレーニング中もランクが小さくなることを示す。
論文 参考訳(メタデータ) (2022-10-13T15:09:54Z) - Dynamic Point Cloud Denoising via Gradient Fields [17.29921488701806]
3Dダイナミックポイントクラウドは、現実のオブジェクトや動きのシーンを離散的に表現する。
センサから取得した点雲は、通常ノイズによって乱れ、表面の再構成や解析などの下流のタスクに影響を及ぼす。
本研究では,勾配場推定による時間対応を生かした,勾配場に基づく動的点雲デノナイズ手法を提案する。
論文 参考訳(メタデータ) (2022-04-19T08:51:53Z) - Exploring the Devil in Graph Spectral Domain for 3D Point Cloud Attacks [19.703181080679176]
3Dダイナミックポイントクラウドは、現実のオブジェクトや動きのシーンを離散的に表現する。
センサから取得した点雲は、通常ノイズによって乱れ、表面の再構成や解析などの下流のタスクに影響を及ぼす。
そこで我々は,勾配場推定のための時間対応を利用して,新しい勾配に基づく動的点雲分極法を提案する。
論文 参考訳(メタデータ) (2022-02-15T09:16:12Z) - Deep Point Set Resampling via Gradient Fields [11.5128379063303]
現実世界のオブジェクトやシーンをスキャンして取得した3Dポイントクラウドは、幅広いアプリケーションを見つけました。
しばしばノイズに悩まされるか、低密度に悩まされるため、表面の再構築や理解といった下流の作業が妨げられる。
本稿では, 点雲の連続勾配場を学習する, 復元のための点集合再サンプリングの新しいパラダイムを提案する。
論文 参考訳(メタデータ) (2021-11-03T07:20:35Z) - Deep Magnification-Flexible Upsampling over 3D Point Clouds [103.09504572409449]
本稿では,高密度点雲を生成するためのエンドツーエンド学習ベースのフレームワークを提案する。
まずこの問題を明示的に定式化し、重みと高次近似誤差を判定する。
そこで我々は,高次改良とともに,統一重みとソート重みを適応的に学習する軽量ニューラルネットワークを設計する。
論文 参考訳(メタデータ) (2020-11-25T14:00:18Z)
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。