論文の概要: Refine-Net: Normal Refinement Neural Network for Noisy Point Clouds
- arxiv url: http://arxiv.org/abs/2203.12514v1
- Date: Wed, 23 Mar 2022 16:18:51 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-24 15:19:02.737883
- Title: Refine-Net: Normal Refinement Neural Network for Noisy Point Clouds
- Title（参考訳）: Refine-Net:ノイズ点雲のための正規リファインメントニューラルネットワーク
- Authors: Haoran Zhou, Honghua Chen, Yingkui Zhang, Mingqiang Wei, Haoran Xie,
Jun Wang, Tong Lu, Jing Qin, and Xiao-Ping Zhang
- Abstract要約: ノイズの多い点雲の正確な正規性を予測するために,Refine-Netと呼ばれる正規化ネットワークを提案する。
本ネットワークは,複数の特徴表現から付加情報を抽出することにより,各点の初期正規性を洗練させるように設計されている。
- 参考スコア（独自算出の注目度）: 36.414785147181995
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Point normal, as an intrinsic geometric property of 3D objects, not only
serves conventional geometric tasks such as surface consolidation and
reconstruction, but also facilitates cutting-edge learning-based techniques for
shape analysis and generation. In this paper, we propose a normal refinement
network, called Refine-Net, to predict accurate normals for noisy point clouds.
Traditional normal estimation wisdom heavily depends on priors such as surface
shapes or noise distributions, while learning-based solutions settle for single
types of hand-crafted features. Differently, our network is designed to refine
the initial normal of each point by extracting additional information from
multiple feature representations. To this end, several feature modules are
developed and incorporated into Refine-Net by a novel connection module.
Besides the overall network architecture of Refine-Net, we propose a new
multi-scale fitting patch selection scheme for the initial normal estimation,
by absorbing geometry domain knowledge. Also, Refine-Net is a generic normal
estimation framework: 1) point normals obtained from other methods can be
further refined, and 2) any feature module related to the surface geometric
structures can be potentially integrated into the framework. Qualitative and
quantitative evaluations demonstrate the clear superiority of Refine-Net over
the state-of-the-arts on both synthetic and real-scanned datasets. Our code is
available at https://github.com/hrzhou2/refinenet.
- Abstract（参考訳）: 点法則は3次元物体の内在的な幾何学的性質として、表面の凝縮や再構成といった従来の幾何学的タスクだけでなく、形状解析と生成のための最先端の学習技術にも役立っている。
本稿では,ノイズ点雲の正確な正規分布を予測できるrendering-netと呼ばれる正規精錬ネットワークを提案する。
従来の正規推定の知恵は、表面形状やノイズ分布といった先行に大きく依存する一方、学習ベースのソリューションは、単一の手作りの特徴を定めている。
異なるのは、複数の特徴表現から付加情報を抽出することにより、各点の初期正規性を洗練することである。
この目的のために、いくつかの機能モジュールが開発され、新しい接続モジュールによってrefine-netに組み込まれている。
Refine-Netの全体的なネットワークアーキテクチャに加えて、幾何学領域の知識を吸収することにより、初期正規推定のための新しいマルチスケールフィッティングパッチ選択方式を提案する。
また、Refine-Netは一般的な正規推定フレームワークである。
1)他の方法から得られる点正規化をさらに洗練することができ、
2) 表面幾何構造に関連する任意の特徴モジュールは、フレームワークに統合することができる。
定性的かつ定量的な評価は、合成データセットと実スキャンデータセットの両方における最先端技術に対するRefine-Netの明確な優位性を示している。
私たちのコードはhttps://github.com/hrzhou2/refinenetで利用可能です。
関連論文リスト
- Segmenting objects with Bayesian fusion of active contour models and convnet priors [0.729597981661727]
本稿では,自然資源モニタリング(NRM)画像を対象とした新しい事例分割手法を提案する。
我々は、個々の物体の輪郭を学習する際に、形状、位置、位置の先行を組み込むベイズ最大値後部推論として問題を定式化する。
実験では、個々の枯木樹冠と正確な輪郭を分割する、挑戦的で現実的な問題に取り組む。
論文 参考訳（メタデータ） (2024-10-09T20:36:43Z) - SieveNet: Selecting Point-Based Features for Mesh Networks [41.74190660234404]
メッシュは3Dコンピュータビジョンとグラフィックスで広く使用されているが、その不規則なトポロジは、既存のニューラルネットワークアーキテクチャに適用する際の課題を提起している。
メッシュニューラルネットワークの最近の進歩は、生メッシュを入力としてのみ取り込むパイオニアメソッドの境界を押し付けている。
本稿では、正規位相と正確な幾何学の両方を考慮した新しいパラダイムであるSieveNetを提案する。
論文 参考訳（メタデータ） (2023-08-24T03:40:16Z) - PCDNF: Revisiting Learning-based Point Cloud Denoising via Joint Normal
Filtering [10.411935152370136]
連成正規フィルタリングにより点雲を識別するエンド・ツー・エンドネットワーク PCDNF を提案する。
特に,ネットワーク全体のノイズ除去を効果的に行うために,補助的な正規フィルタリングタスクを導入する。
アーキテクチャ全体に加えて、ネットワークには2つの新しいモジュールがあります。
論文 参考訳（メタデータ） (2022-09-02T03:10:21Z) - Spelunking the Deep: Guaranteed Queries for General Neural Implicit
Surfaces [35.438964954948574]
この研究は、広範囲の既存アーキテクチャに対して、一般的なニューラル暗黙関数でクエリを直接実行するための新しいアプローチを示す。
私たちのキーとなるツールは、ニューラルネットワークへのレンジ分析の適用であり、ネットワークの出力を領域を越えてバウンドするために自動演算ルールを使用します。
得られた境界を用いて、レイキャスト、交差試験、空間階層の構築、高速メッシュ抽出、最近点評価などのクエリを開発する。
論文 参考訳（メタデータ） (2022-02-05T00:37:08Z) - GeoNet++: Iterative Geometric Neural Network with Edge-Aware Refinement
for Joint Depth and Surface Normal Estimation [204.13451624763735]
本研究では,エッジアウェア・リファインメント(GeoNet++)を用いた幾何ニューラルネットワークを提案し,単一の画像から深さと表面正規写像の両方を共同で予測する。
geonet++は、強い3d一貫性と鋭い境界を持つ深さと表面の正常を効果的に予測する。
画素単位の誤差/精度を評価することに焦点を当てた現在の測定値とは対照的に、3DGMは予測深度が高品質な3D表面の正常を再構築できるかどうかを測定する。
論文 参考訳（メタデータ） (2020-12-13T06:48:01Z) - Primal-Dual Mesh Convolutional Neural Networks [62.165239866312334]
本稿では,グラフ・ニューラル・ネットワークの文献からトライアングル・メッシュへ引き起こされた原始双対のフレームワークを提案する。
提案手法は,3次元メッシュのエッジと顔の両方を入力として特徴付け,動的に集約する。
メッシュ単純化の文献から得られたツールを用いて、我々のアプローチに関する理論的知見を提供する。
論文 参考訳（メタデータ） (2020-10-23T14:49:02Z) - Refinement of Predicted Missing Parts Enhance Point Cloud Completion [62.997667081978825]
点雲完了は、部分的な観測から3次元形状の点集合表現を用いて完全な幾何学を予測するタスクである。
従来のアプローチでは、不完全点集合によって供給されるエンコーダ・デコーダモデルにより、点雲全体を直接推定するニューラルネットワークが提案されていた。
本稿では、欠落した幾何を計算し、既知の入力と予測点クラウドを融合することに焦点を当てたエンドツーエンドニューラルネットワークアーキテクチャを提案する。
論文 参考訳（メタデータ） (2020-10-08T22:01:23Z) - Point2Mesh: A Self-Prior for Deformable Meshes [83.31236364265403]
本稿では,入力点雲から表面メッシュを再構築する技術であるPoint2Meshを紹介する。
自己優先型は、ディープニューラルネットワークの重み内の単一の形状から幾何的繰り返しをカプセル化する。
ここでは,Point2Meshが所望の解に収束することを示す。
論文 参考訳（メタデータ） (2020-05-22T10:01:04Z) - Neural Subdivision [58.97214948753937]
本稿では,データ駆動型粗粒度モデリングの新しいフレームワークであるNeural Subdivisionを紹介する。
すべてのローカルメッシュパッチで同じネットワーク重みのセットを最適化するため、特定の入力メッシュや固定属、カテゴリに制約されないアーキテクチャを提供します。
単一の高分解能メッシュでトレーニングしても,本手法は新規な形状に対して合理的な区分を生成する。
論文 参考訳（メタデータ） (2020-05-04T20:03:21Z)
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。