論文の概要: Point Scene Understanding via Disentangled Instance Mesh Reconstruction

• arxiv url: http://arxiv.org/abs/2203.16832v1
• Date: Thu, 31 Mar 2022 06:36:07 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-01 15:51:17.790241
• Title: Point Scene Understanding via Disentangled Instance Mesh Reconstruction
• Title（参考訳）: disentangled instance mesh reconstructionによるポイントシーン理解
• Authors: Jiaxiang Tang, Xiaokang Chen, Jingbo Wang, Gang Zeng
• Abstract要約: 本稿では,効率的なポイントシーン理解のために,aDisentangled Instance Mesh Reconstruction (DIMR) フレームワークを提案する。 セグメント化ベースのバックボーンは、偽陽性オブジェクトの提案を減らすために適用される。 メッシュを意識した潜在コード空間を活用して、シェイプコンプリートとメッシュ生成のプロセスを切り離します。
• 参考スコア（独自算出の注目度）: 21.92736190195887
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Semantic scene reconstruction from point cloud is an essential and challenging task for 3D scene understanding. This task requires not only to recognize each instance in the scene, but also to recover their geometries based on the partial observed point cloud. Existing methods usually attempt to directly predict occupancy values of the complete object based on incomplete point cloud proposals from a detection-based backbone. However, this framework always fails to reconstruct high fidelity mesh due to the obstruction of various detected false positive object proposals and the ambiguity of incomplete point observations for learning occupancy values of complete objects. To circumvent the hurdle, we propose a Disentangled Instance Mesh Reconstruction (DIMR) framework for effective point scene understanding. A segmentation-based backbone is applied to reduce false positive object proposals, which further benefits our exploration on the relationship between recognition and reconstruction. Based on the accurate proposals, we leverage a mesh-aware latent code space to disentangle the processes of shape completion and mesh generation, relieving the ambiguity caused by the incomplete point observations. Furthermore, with access to the CAD model pool at test time, our model can also be used to improve the reconstruction quality by performing mesh retrieval without extra training. We thoroughly evaluate the reconstructed mesh quality with multiple metrics, and demonstrate the superiority of our method on the challenging ScanNet dataset.
• Abstract（参考訳）: ポイントクラウドからのセマンティックシーン再構築は,3次元シーン理解に不可欠かつ困難な課題である。 このタスクでは、シーンの各インスタンスを認識するだけでなく、部分的な観測点雲に基づいてジオメトリを復元する必要がある。 既存の手法は通常、検出ベースのバックボーンから不完全なポイントクラウドの提案に基づいて、完全なオブジェクトの占有値を直接予測しようとする。 しかしながら、このフレームワークは、検出された様々な偽陽性オブジェクトの提案の妨害と、完全なオブジェクトの占有値を学ぶための不完全点観測の曖昧さのために、常に高い忠実度メッシュの再構築に失敗する。 このハードルを回避するために,効率的なポイントシーン理解のためのDIMR(Disentangled Instance Mesh Reconstruction)フレームワークを提案する。 セグメント化に基づくバックボーンを用いて偽陽性オブジェクトの提案を減らし,認識と再構成の関係を探求する上でさらに有効である。 正確な提案に基づいて, 不完全点観測による曖昧さを解消し, 形状完了とメッシュ生成のプロセスを分離するために, メッシュ認識潜在コード空間を活用する。 さらに,テスト時にCADモデルプールにアクセスすることで,余分なトレーニングを伴わずにメッシュ検索を行うことで,再現性を向上させることが可能となった。 複数のメトリクスを用いて再構成メッシュの品質を徹底的に評価し,課題であるScanNetデータセット上での手法の優位性を実証した。

関連論文リスト

• Self-supervised 3D Point Cloud Completion via Multi-view Adversarial Learning [61.14132533712537]
  我々は、オブジェクトレベルとカテゴリ固有の幾何学的類似性の両方を効果的に活用するフレームワークであるMAL-SPCを提案する。 私たちのMAL-SPCは3Dの完全な監視を一切必要とせず、各オブジェクトに1つの部分点クラウドを必要とするだけです。
  論文  参考訳（メタデータ） (2024-07-13T06:53:39Z)
• Shape Anchor Guided Holistic Indoor Scene Understanding [9.463220988312218]
  本研究では, 室内環境の堅牢な理解のための形状アンカー案内学習戦略(AncLearn)を提案する。 AncLearnは、インスタンス表面を動的に(i)アンミックスノイズとターゲット関連の機能に適合するアンカーを生成し、検出段階で信頼性の高い提案を提供する。 我々は,高品質なセマンティックシーンモデルを生成するために,AncLearnを再構成検出学習システム(AncRec)に組み込む。
  論文  参考訳（メタデータ） (2023-09-20T08:30:20Z)
• Semi-signed neural fitting for surface reconstruction from unoriented point clouds [53.379712818791894]
  より優れた符号付き距離場を再構成するためのSN-Fittingを提案する。 SSNフィッティングは半署名の監督と損失に基づく領域サンプリング戦略で構成されている。 我々は,SSN-Fittingが,異なる設定下で最先端の性能を達成することを示す実験を行う。
  論文  参考訳（メタデータ） (2022-06-14T09:40:17Z)
• High-resolution Iterative Feedback Network for Camouflaged Object Detection [128.893782016078]
  カモフラージュされたオブジェクトを背景に視覚的に同化させることは、オブジェクト検出アルゴリズムにとって難しい。 エッジやバウンダリのぼやけた視界を生じさせる細部劣化を避けるために,高分解能テクスチャの詳細を抽出することを目的としている。 我々は,高解像度特徴量による低解像度表現を反復的フィードバック方式で洗練する新しいHitNetを提案する。
  論文  参考訳（メタデータ） (2022-03-22T11:20:21Z)
• Locally Aware Piecewise Transformation Fields for 3D Human Mesh Registration [67.69257782645789]
  本論文では,3次元変換ベクトルを学習し,提案空間内の任意のクエリ点をリザーブ空間内の対応する位置にマップする部分変換場を提案する。 パラメトリックモデルにネットワークのポーズを合わせることで、特に極端なポーズにおいて、より優れた登録品質が得られることを示す。
  論文  参考訳（メタデータ） (2021-04-16T15:16:09Z)
• Unsupervised Learning of 3D Object Categories from Videos in the Wild [75.09720013151247]
  オブジェクトインスタンスの大規模なコレクションの複数のビューからモデルを学ぶことに重点を置いています。 再構成を大幅に改善するワープコンディショニングレイ埋め込み(WCR)と呼ばれる新しいニューラルネットワーク設計を提案する。 本評価は,既存のベンチマークを用いた複数の深部単眼再構成ベースラインに対する性能改善を示す。
  論文  参考訳（メタデータ） (2021-03-30T17:57:01Z)
• RfD-Net: Point Scene Understanding by Semantic Instance Reconstruction [19.535169371240073]
  本稿では,高密度物体表面を直接点雲から検出・再構成するRfD-Netを提案する。 インスタンス再構成を大域的オブジェクトローカライゼーションと局所形状予測に分離する。 我々のアプローチは、オブジェクト再構成において、最先端の技術を一貫して上回り、メッシュIoUの11以上を改善します。
  論文  参考訳（メタデータ） (2020-11-30T12:58:05Z)
• Skeleton-bridged Point Completion: From Global Inference to Local Adjustment [48.2757171993437]
  形状整形のための骨格ブリッジ型点完備ネットワーク(SK-PCN)を提案する。 部分スキャンにより,まずその3次元骨格を予測し,大域構造を求める。 形状の完備化を構造推定と表面再構成に分離し,学習の難易度を緩和する。
  論文  参考訳（メタデータ） (2020-10-14T22:49:30Z)
• Meshing Point Clouds with Predicted Intrinsic-Extrinsic Ratio Guidance [30.863194319818223]
  既存のポイントへの接続情報のみを付加することで、インプットポイントクラウドを可能な限り活用することを提案する。 私たちの重要なイノベーションはローカル接続のサロゲートであり、本質的/外生的メトリクスを比較して計算します。 提案手法は, 詳細を保存できるだけでなく, あいまいな構造を扱えるだけでなく, 目に見えないカテゴリに対して強い一般化性を持つことを示す。
  論文  参考訳（メタデータ） (2020-07-17T22:36:00Z)

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。