論文の概要: Reconstruction-Aware Prior Distillation for Semi-supervised Point Cloud Completion

• arxiv url: http://arxiv.org/abs/2204.09186v1
• Date: Wed, 20 Apr 2022 02:14:20 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-21 14:50:20.416205
• Title: Reconstruction-Aware Prior Distillation for Semi-supervised Point Cloud Completion
• Title（参考訳）: 半監督点雲の補修における事前蒸留法
• Authors: Zhaoxin Fan, Yulin He, Zhicheng Wang, Kejian Wu, Hongyan Liu and Jun He
• Abstract要約: 提案手法は,RADと呼ばれる半教師付き点雲補修法である。 RaPDは、大規模なペアデータセットへの依存を減らすために、2段階のトレーニングスキームを活用する。 RaPDは、従来手法と異種シナリオの両方において、優れたパフォーマンスを実現している。
• 参考スコア（独自算出の注目度）: 10.649666758735663
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Point clouds scanned by real-world sensors are always incomplete, irregular, and noisy, making the point cloud completion task become increasingly more important. Though many point cloud completion methods have been proposed, most of them require a large number of paired complete-incomplete point clouds for training, which is labor exhausted. In contrast, this paper proposes a novel Reconstruction-Aware Prior Distillation semi-supervised point cloud completion method named RaPD, which takes advantage of a two-stage training scheme to reduce the dependence on a large-scale paired dataset. In training stage 1, the so-called deep semantic prior is learned from both unpaired complete and unpaired incomplete point clouds using a reconstruction-aware pretraining process. While in training stage 2, we introduce a semi-supervised prior distillation process, where an encoder-decoder-based completion network is trained by distilling the prior into the network utilizing only a small number of paired training samples. A self-supervised completion module is further introduced, excavating the value of a large number of unpaired incomplete point clouds, leading to an increase in the network's performance. Extensive experiments on several widely used datasets demonstrate that RaPD, the first semi-supervised point cloud completion method, achieves superior performance to previous methods on both homologous and heterologous scenarios.
• Abstract（参考訳）: 現実世界のセンサーでスキャンされた点雲は常に不完全で不規則でノイズが多いため、点雲完了タスクはますます重要になる。 多くのポイントクラウド補完手法が提案されているが、そのほとんどはトレーニングのために大量のペアの完全不完全ポイントクラウドを必要とする。 そこで本研究では, 大規模データセットへの依存を減らすために, 2段階のトレーニング方式を活用し, 再資源化型事前蒸留半教師付きポイントクラウド補完法であるrapdを提案する。 トレーニングステージ1では、リコンストラクション・アウェアプリトレーニングプロセスを使用して、いわゆるディープ・セマンティクス・プリアーを、未ペイド完全および未ペイド不完全点雲の両方から学習する。 トレーニング段階2では,エンコーダデコーダをベースとしたコンプリートネットワークを,少数のペアのトレーニングサンプルのみを用いてネットワークに蒸留することにより,半教師付き事前蒸留プロセスを導入する。 自己教師付き補完モジュールがさらに導入され、多数の未ペア不完全点雲の価値が発掘され、ネットワークの性能が向上する。 いくつかの広く使われているデータセットに対する大規模な実験により、最初の半教師付きポイントクラウド補完法であるRADは、相同性および異種性の両方のシナリオにおいて、以前の手法よりも優れた性能を発揮することが示された。

関連論文リスト

• Zero-shot Point Cloud Completion Via 2D Priors [52.72867922938023]
  3次元点雲の完成は、部分的に観測された点雲から完全な形状を復元するように設計されている。 そこで本研究では, 観測された点群を対象とするゼロショットフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-04-10T08:02:17Z)
• 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)
• P2C: Self-Supervised Point Cloud Completion from Single Partial Clouds [44.02541315496045]
  ポイント雲の完成は、部分的な観測に基づいて完全な形状を復元することを目的としている。 既存の手法では、学習には完全な点雲か、同じ物体の複数の部分的な観察が必要である。 Part2Completeは、ポイントクラウドオブジェクトを補完する最初の自己管理型フレームワークです。
  論文  参考訳（メタデータ） (2023-07-27T09:31:01Z)
• ACL-SPC: Adaptive Closed-Loop system for Self-Supervised Point Cloud Completion [45.470757435374566]
  本稿では,ポイントクラウド補完のための自己管理型フレームワーク ACL-SPC を提案する。 ACL-SPCは1つの部分入力を受け取り、完全な点クラウドを出力しようとする。 提案したACL-SPCを各種データセット上で評価し,部分点クラウドの完成をうまく学べることを証明する。
  論文  参考訳（メタデータ） (2023-03-02T08:02:45Z)
• Self-Supervised Arbitrary-Scale Point Clouds Upsampling via Implicit Neural Representation [79.60988242843437]
  そこで本研究では,自己監督型および倍率フレキシブルな点雲を同時にアップサンプリングする手法を提案する。 実験結果から, 自己教師あり学習に基づく手法は, 教師あり学習に基づく手法よりも, 競争力や性能が向上することが示された。
  論文  参考訳（メタデータ） (2022-04-18T07:18:25Z)
• 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)
• Cascaded Refinement Network for Point Cloud Completion with Self-supervision [74.80746431691938]
  形状整形のための2分岐ネットワークを提案する。 第1分枝は、完全なオブジェクトを合成するためのカスケード形状補完サブネットワークである。 第2のブランチは、元の部分入力を再構築する自動エンコーダである。
  論文  参考訳（メタデータ） (2020-10-17T04:56:22Z)
• Learning multiview 3D point cloud registration [74.39499501822682]
  本稿では,エンドツーエンドで学習可能なマルチビュー3Dポイントクラウド登録アルゴリズムを提案する。 このアプローチは、エンドツーエンドのトレーニングが可能で、計算コストが小さく、最先端のマージンよりも優れています。
  論文  参考訳（メタデータ） (2020-01-15T03:42:14Z)

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。