論文の概要: Convolutional Neural Network-based Efficient Dense Point Cloud
Generation using Unsigned Distance Fields
- arxiv url: http://arxiv.org/abs/2203.11537v1
- Date: Tue, 22 Mar 2022 08:28:50 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-23 14:16:26.165839
- Title: Convolutional Neural Network-based Efficient Dense Point Cloud
Generation using Unsigned Distance Fields
- Title(参考訳): 非符号距離場を用いた畳み込みニューラルネットワークに基づく高効率高密度点雲生成
- Authors: Abol Basher and Jani Boutellier
- Abstract要約: 本稿では,任意の3次元形状の符号なし距離場を学習し,予測する軽量畳み込みニューラルネットワークを提案する。
実験の結果,提案したアーキテクチャは,モデルパラメータが87%,GPUメモリ使用率が40%,最先端技術よりもわずかに品質が向上していることがわかった。
- 参考スコア(独自算出の注目度): 4.365720395124051
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Dense point cloud generation from a sparse or incomplete point cloud is a
crucial and challenging problem in 3D computer vision and computer graphics. So
far, the existing methods are either computationally too expensive, suffer from
limited resolution, or both. In addition, some methods are strictly limited to
watertight surfaces -- another major obstacle for a number of applications. To
address these issues, we propose a lightweight Convolutional Neural Network
that learns and predicts the unsigned distance field for arbitrary 3D shapes
for dense point cloud generation using the recently emerged concept of implicit
function learning. Experiments demonstrate that the proposed architecture
achieves slightly better quality results than the state of the art with 87%
less model parameters and 40% less GPU memory usage.
- Abstract(参考訳): 3dコンピュータビジョンとコンピュータグラフィックスにおいて、希薄あるいは不完全な点クラウドからの密集した点クラウドの生成は、重要かつ困難な問題である。
今のところ、既存の手法は計算コストが高すぎるか、解像度が限られているか、両方である。
加えて、いくつかの手法は水密面に厳格に制限されている。
これらの問題に対処するために,最近登場した暗黙的関数学習の概念を用いて,任意の3次元形状に対する符号なし距離場を学習し,予測する軽量畳み込みニューラルネットワークを提案する。
実験により、提案されたアーキテクチャは87%のモデルパラメータと40%のgpuメモリ使用率で、最先端技術よりも少し品質が良いことが示されている。
関連論文リスト
- Efficient and Scalable Point Cloud Generation with Sparse Point-Voxel Diffusion Models [6.795447206159906]
本稿では3次元生成モデルのための新しい点雲U-Net拡散アーキテクチャを提案する。
我々のネットワークは、高分解能な点表現とスパースボクセルの計算効率を組み合わせた二重分岐アーキテクチャを採用している。
我々のモデルは全てのタスクに優れており、ポイントクラウド生成モデルのための最先端の拡散U-Netとして確立されている。
論文 参考訳(メタデータ) (2024-08-12T13:41:47Z) - GridPull: Towards Scalability in Learning Implicit Representations from
3D Point Clouds [60.27217859189727]
大規模クラウドから暗黙の表現を学習する効率を改善するため,GridPullを提案する。
我々の斬新さは、ニューラルネットワークを使わずにグリッド上に定義された離散距離場の高速な推論にある。
我々は、一様格子を用いて高速グリッド探索を行い、サンプルクエリをローカライズし、木構造内の表面点を整理し、表面への距離の計算を高速化する。
論文 参考訳(メタデータ) (2023-08-25T04:52:52Z) - 4DSR-GCN: 4D Video Point Cloud Upsampling using Graph Convolutional
Networks [29.615723135027096]
圧縮後の3次元ビデオポイント雲のアップスケーリングと復元のための新しいソリューションを提案する。
我々のモデルは、動的エッジ畳み込みとグラフ注意ネットワークを組み合わせた、特別に設計されたグラフ畳み込みネットワーク(GCN)で構成されている。
論文 参考訳(メタデータ) (2023-06-01T18:43:16Z) - StarNet: Style-Aware 3D Point Cloud Generation [82.30389817015877]
StarNetは、マッピングネットワークを使用して高忠実度および3Dポイントクラウドを再構築し、生成することができる。
我々のフレームワークは、クラウドの再構築と生成タスクにおいて、様々なメトリクスで同等の最先端のパフォーマンスを達成します。
論文 参考訳(メタデータ) (2023-03-28T08:21:44Z) - 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) - 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) - Revisiting Point Cloud Simplification: A Learnable Feature Preserving
Approach [57.67932970472768]
MeshとPoint Cloudの単純化手法は、3Dモデルの複雑さを低減しつつ、視覚的品質と関連する健全な機能を維持することを目的としている。
そこで本研究では,正解点の標本化を学習し,高速点雲の簡易化手法を提案する。
提案手法は、入力空間から任意のユーザ定義の点数を選択し、視覚的知覚誤差を最小限に抑えるために、その位置を再配置するよう訓練されたグラフニューラルネットワークアーキテクチャに依存する。
論文 参考訳(メタデータ) (2021-09-30T10:23:55Z) - Pseudo-LiDAR Point Cloud Interpolation Based on 3D Motion Representation
and Spatial Supervision [68.35777836993212]
我々はPseudo-LiDAR点雲ネットワークを提案し、時間的および空間的に高品質な点雲列を生成する。
点雲間のシーンフローを活用することにより,提案ネットワークは3次元空間運動関係のより正確な表現を学習することができる。
論文 参考訳(メタデータ) (2020-06-20T03:11:04Z)
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。