論文の概要: WarpingGAN: Warping Multiple Uniform Priors for Adversarial 3D Point Cloud Generation

• arxiv url: http://arxiv.org/abs/2203.12917v1
• Date: Thu, 24 Mar 2022 08:12:43 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-25 14:35:46.591687
• Title: WarpingGAN: Warping Multiple Uniform Priors for Adversarial 3D Point Cloud Generation
• Title（参考訳）: WarpingGAN: 逆3Dポイントクラウド生成のための複数種類のプリミティブのウォーピング
• Authors: Yingzhi Tang, Yue Qian, Qijian Zhang, Yiming Zeng, Junhui Hou, Xuefei Zhe
• Abstract要約: WarpingGANは効率的で効率的な3Dポイントクラウド生成ネットワークである。 我々は、複数の同一の事前定義された事前定義を3次元形状にワープするために、統一された局所ワープ関数を学習する。 WarpingGANは、様々な解像度で均一に分散された3D点雲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）: 46.59163671073759
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose WarpingGAN, an effective and efficient 3D point cloud generation network. Unlike existing methods that generate point clouds by directly learning the mapping functions between latent codes and 3D shapes, Warping-GAN learns a unified local-warping function to warp multiple identical pre-defined priors (i.e., sets of points uniformly distributed on regular 3D grids) into 3D shapes driven by local structure-aware semantics. In addition, we also ingeniously utilize the principle of the discriminator and tailor a stitching loss to eliminate the gaps between different partitions of a generated shape corresponding to different priors for boosting quality. Owing to the novel generating mechanism, WarpingGAN, a single lightweight network after one-time training, is capable of efficiently generating uniformly distributed 3D point clouds with various resolutions. Extensive experimental results demonstrate the superiority of our WarpingGAN over state-of-the-art methods in terms of quantitative metrics, visual quality, and efficiency. The source code is publicly available at https://github.com/yztang4/WarpingGAN.git.
• Abstract（参考訳）: 本稿では,効率的な3Dポイントクラウド生成ネットワークであるWarpingGANを提案する。 潜在符号と3次元形状のマッピング関数を直接学習することで点雲を生成する既存の方法とは異なり、ウォーピングGANは、複数の同一の事前定義された事前定義(すなわち、通常の3Dグリッド上に均一に分散された点の集合)を局所構造認識セマンティクスによって駆動される3次元形状にワープする統一された局所ワープ関数を学習する。 また, 識別器の原理を巧みに活用し, 縫合損失を調整し, 品質向上のために, 異なるプリエントに対応する生成形状の異なる分割間隙を解消する。 新規な生成機構により、ワンタイムトレーニング後の単一軽量ネットワークであるwarpingganは、様々な解像度で均一に分散した3dポイント雲を効率的に生成することができる。 定量的指標,視覚的品質,効率の観点から,最先端手法よりもWarpingGANの方が優れていることを示す。 ソースコードはhttps://github.com/yztang4/WarpingGAN.gitで公開されている。

関連論文リスト

• Boosting Cross-Domain Point Classification via Distilling Relational Priors from 2D Transformers [59.0181939916084]
  従来の3Dネットワークは主に局所幾何学的詳細に焦点を当て、局所幾何学間の位相構造を無視する。 そこで本稿では,大規模画像上においてよく訓練されたトランスフォーマーから前駆体を抽出する,新しい先駆体蒸留法を提案する。 PointDA-10とSim-to-Realデータセットの実験は、提案手法が点クラウド分類におけるUDAの最先端性能を一貫して達成していることを検証する。
  論文  参考訳（メタデータ） (2024-07-26T06:29:09Z)
• 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)
• GQE-Net: A Graph-based Quality Enhancement Network for Point Cloud Color Attribute [51.4803148196217]
  本稿では,点雲の色歪みを低減するため,グラフベースの品質向上ネットワーク(GQE-Net)を提案する。 GQE-Netは、幾何学情報を補助入力とグラフ畳み込みブロックとして使用し、局所的な特徴を効率的に抽出する。 実験結果から,本手法は最先端性能を実現することが示された。
  論文  参考訳（メタデータ） (2023-03-24T02:33:45Z)
• PointInverter: Point Cloud Reconstruction and Editing via a Generative Model with Shape Priors [25.569519066857705]
  本稿では,3次元生成逆数ネットワークの潜在空間に3次元点雲をマッピングする新しい手法を提案する。 提案手法は,従来の3次元点雲のGANインバージョン法よりも優れていた。
  論文  参考訳（メタデータ） (2022-11-16T06:29:29Z)
• 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)
• Unsupervised Geodesic-preserved Generative Adversarial Networks for Unconstrained 3D Pose Transfer [84.04540436494011]
  任意の任意の任意の3次元メッシュ間のポーズ転送を行うための教師なしアプローチを提案する。 具体的には、内因性(形状)と外因性(ポーズ)の情報保存について、新規な内因性-外因性保存生成ネットワーク(IEP-GAN)を提示する。 提案手法は,最近の最先端手法と比較して,より優れた結果が得られ,より効率的である。
  論文  参考訳（メタデータ） (2021-08-17T09:08:21Z)
• Scan-based Semantic Segmentation of LiDAR Point Clouds: An Experimental Study [2.6205925938720833]
  最先端の手法では、深いニューラルネットワークを使用して、LiDARスキャンの各点のセマンティッククラスを予測する。 LiDAR測定を処理するための強力で効率的な方法は、2次元の画像のような投影を使うことである。 メモリの制約だけでなく、パフォーマンスの向上やランタイムの改善など、さまざまなテクニックを実証する。
  論文  参考訳（メタデータ） (2020-04-06T11:08:12Z)
• Triangle-Net: Towards Robustness in Point Cloud Learning [0.0]
  本稿では, 回転, 位置シフト, スケーリングに対する不変性を同時に実現し, 点間隔に頑健な3次元分類手法を提案する。 提案手法は,ModelNet 40分類タスクにおいて,ポイントネットと3DmFVをそれぞれ35.0%,28.1%で上回っている。
  論文  参考訳（メタデータ） (2020-02-27T20:42:32Z)

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。