論文の概要: PUFA-GAN: A Frequency-Aware Generative Adversarial Network for 3D Point Cloud Upsampling

• arxiv url: http://arxiv.org/abs/2203.00914v1
• Date: Wed, 2 Mar 2022 07:47:46 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-04 03:03:59.803144
• Title: PUFA-GAN: A Frequency-Aware Generative Adversarial Network for 3D Point Cloud Upsampling
• Title（参考訳）: pufa-gan: 3dポイントクラウドアップサンプリングのための周波数認識型生成逆ネットワーク
• Authors: Hao Liu, Hui Yuan, Junhui Hou, Raouf Hamzaoui, Wei Gao
• Abstract要約: 本稿では,点群アップサンプリングのための生成的対向ネットワークを提案する。 基底表面に均等に分布するアップサンプリングポイントを作成できるだけでなく、クリーンな高周波領域を効率的に生成することができる。
• 参考スコア（独自算出の注目度）: 56.463507980857216
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: We propose a generative adversarial network for point cloud upsampling, which can not only make the upsampled points evenly distributed on the underlying surface but also efficiently generate clean high frequency regions. The generator of our network includes a dynamic graph hierarchical residual aggregation unit and a hierarchical residual aggregation unit for point feature extraction and upsampling, respectively. The former extracts multiscale point-wise descriptive features, while the latter captures rich feature details with hierarchical residuals. To generate neat edges, our discriminator uses a graph filter to extract and retain high frequency points. The generated high resolution point cloud and corresponding high frequency points help the discriminator learn the global and high frequency properties of the point cloud. We also propose an identity distribution loss function to make sure that the upsampled points remain on the underlying surface of the input low resolution point cloud. To assess the regularity of the upsampled points in high frequency regions, we introduce two evaluation metrics. Objective and subjective results demonstrate that the visual quality of the upsampled point clouds generated by our method is better than that of the state-of-the-art methods.
• Abstract（参考訳）: そこで本研究では,アップサンプリングされたポイントを基礎面上に均等に分散させるだけでなく,クリーンな高周波領域を効率的に生成できる,ポイントクラウドアップサンプリングのための生成型逆ネットワークを提案する。 ネットワーク生成装置は、動的グラフ階層的残差集約ユニットと、ポイント特徴抽出およびアップサンプリングのための階層的残差集約ユニットとを含む。 前者はマルチスケールのポイントワイド記述的特徴を抽出し、後者は階層的残差でリッチな特徴の詳細をキャプチャする。 適切なエッジを生成するために,識別器はグラフフィルタを用いて高周波点を抽出・保持する。 生成された高分解能点雲とそれに対応する高周波点は、判別器が点雲の大域的および高周波特性を学ぶのに役立つ。 また、入力された低分解能点雲の基底面にアップサンプリングされた点が残るように、アイデンティティ分布損失関数を提案する。 高周波領域におけるアップサンプリング点の正則性を評価するために,2つの評価指標を導入する。 客観的および主観的な結果から,本手法が生成する点雲の視覚的品質は最先端手法よりも優れていることが示された。

関連論文リスト

• Arbitrary-Scale Point Cloud Upsampling by Voxel-Based Network with Latent Geometric-Consistent Learning [52.825441454264585]
  Voxel-based Network (textbfPU-VoxelNet) を用いた任意のスケールのクラウド・アップサンプリング・フレームワークを提案する。 ボクセル表現から継承された完全性と規則性により、ボクセルベースのネットワークは3次元表面を近似する事前定義されたグリッド空間を提供することができる。 密度誘導グリッド再サンプリング法を開発し、高忠実度点を生成するとともに、サンプリング出力を効果的に回避する。
  論文  参考訳（メタデータ） (2024-03-08T07:31:14Z)
• Point Cloud Pre-training with Diffusion Models [62.12279263217138]
  我々は、ポイントクラウド拡散事前学習(PointDif)と呼ばれる新しい事前学習手法を提案する。 PointDifは、分類、セグメンテーション、検出など、さまざまな下流タスクのために、さまざまな現実世界のデータセット間で大幅に改善されている。
  論文  参考訳（メタデータ） (2023-11-25T08:10:05Z)
• iPUNet:Iterative Cross Field Guided Point Cloud Upsampling [20.925921503694894]
  3Dスキャン装置によって取得される点雲は、しばしば疎く、ノイズが多く、一様ではないため、幾何学的特徴が失われる。 任意の比率で高密度および均一な点を生成する学習ベースポイントアップサンプリング手法iPUNetを提案する。 iPUNetは、ノイズや不均一に分散された入力を処理し、最先端のクラウドサンプリング手法より優れていることを示す。
  論文  参考訳（メタデータ） (2023-10-13T13:24:37Z)
• Arbitrary point cloud upsampling via Dual Back-Projection Network [12.344557879284219]
  ポイントクラウドアップサンプリング(DBPnet)のためのデュアルバックプロジェクションネットワークを提案する。 デュアルバックプロジェクションは、ポイントクラウドアップサンプリングのためのアップアップアップ方式で定式化される。 実験の結果,提案手法は最小の点集合の損失を達成できることがわかった。
  論文  参考訳（メタデータ） (2023-07-18T06:11:09Z)
• 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)
• Parametric Surface Constrained Upsampler Network for Point Cloud [33.033469444588086]
  バイコビック関数と回転関数で表されるパラメトリック曲面をニューラルネットワークに学習させ,新しいサーフェス正規化器をアップサンプラーネットワークに導入する。 これらの設計は、2つの異なるネットワークに統合され、レイヤのアップサンプリングの利点を生かしている。 両課題の最先端実験結果から,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-03-14T21:12:54Z)
• Deep Point Cloud Simplification for High-quality Surface Reconstruction [24.29310178063052]
  PCS-Netは、幾何学的忠実さを維持しつつ、高品質な表面メッシュ再構築に特化している。 そこで本研究では,サンプル点の位置を改良する新しい2次元再サンプリングモジュールを提案する。 重要な形状特徴をさらに維持するため、新規な塩分損失を有する適応サンプリング戦略を設計する。
  論文  参考訳（メタデータ） (2022-03-17T05:22:25Z)
• Point Cloud Upsampling via Disentangled Refinement [86.3641957163818]
  3Dスキャンによって生成された点雲は、しばしばスパース、非均一、ノイズである。 近年のアップサンプリング手法は, 分布均一性と近接場を両立させながら, 密度の高い点集合を生成することを目的としている。 2つのカスケードサブネットワーク、高密度ジェネレータ、空間精錬器を定式化する。
  論文  参考訳（メタデータ） (2021-06-09T02:58:42Z)
• SPU-Net: Self-Supervised Point Cloud Upsampling by Coarse-to-Fine Reconstruction with Self-Projection Optimization [52.20602782690776]
  実際のスキャンされたスパースデータからトレーニング用の大規模なペアリングスパーススキャンポイントセットを得るのは高価で面倒です。 本研究では,SPU-Net と呼ばれる自己監視型点群アップサンプリングネットワークを提案する。 本研究では,合成データと実データの両方について様々な実験を行い,最先端の教師付き手法と同等の性能が得られることを示す。
  論文  参考訳（メタデータ） (2020-12-08T14:14:09Z)

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。