論文の概要: PU-EVA: An Edge Vector based Approximation Solution for Flexible-scale Point Cloud Upsampling

• arxiv url: http://arxiv.org/abs/2204.10750v1
• Date: Fri, 22 Apr 2022 15:14:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-25 13:43:48.662000
• Title: PU-EVA: An Edge Vector based Approximation Solution for Flexible-scale Point Cloud Upsampling
• Title（参考訳）: PU-EVA:フレキシブルスケールポイントクラウドアップサンプリングのためのエッジベクトルベースの近似ソリューション
• Authors: Luqing Luo, Lulu Tang, Wanyi Zhou, Shizheng Wang, Zhi-Xin Yang
• Abstract要約: スパース、ノイズ、および一様でない点雲のアップサンプリングは難しい作業だ。 フレキシブルスケールの点群アップサンプリング(PU-EVA)のためのエッジベクトルに基づく近似の新しい設計法を提案する。 EVAアップサンプリングは、ネットワークアーキテクチャによるアップサンプリングスケールを分離し、1回のトレーニングでフレキシブルアップサンプリングレートを達成する。
• 参考スコア（独自算出の注目度）: 4.418205951027186
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: High-quality point clouds have practical significance for point-based rendering, semantic understanding, and surface reconstruction. Upsampling sparse, noisy and nonuniform point clouds for a denser and more regular approximation of target objects is a desirable but challenging task. Most existing methods duplicate point features for upsampling, constraining the upsampling scales at a fixed rate. In this work, the flexible upsampling rates are achieved via edge vector based affine combinations, and a novel design of Edge Vector based Approximation for Flexible-scale Point clouds Upsampling (PU-EVA) is proposed. The edge vector based approximation encodes the neighboring connectivity via affine combinations based on edge vectors, and restricts the approximation error within the second-order term of Taylor's Expansion. The EVA upsampling decouples the upsampling scales with network architecture, achieving the flexible upsampling rates in one-time training. Qualitative and quantitative evaluations demonstrate that the proposed PU-EVA outperforms the state-of-the-art in terms of proximity-to-surface, distribution uniformity, and geometric details preservation.
• Abstract（参考訳）: 高品質の点雲は、点ベースのレンダリング、意味理解、表面再構成において実用的に重要である。 より密度が高く、より規則的なターゲットオブジェクトの近似に対するスパース、ノイズ、および不均一点雲のアップサンプリングは望ましいが難しい課題である。 既存のほとんどのメソッドは、アップサンプリングのポイント特徴を重複させ、アップサンプリングのスケールを一定のレートで制限している。 本研究では,エッジベクトルをベースとしたアフィン結合によりフレキシブルなアップサンプリング率を実現し,フレキシブルスケールのポイント雲に対するエッジベクトルに基づく近似(PU-EVA)の設計を提案する。 エッジベクトルに基づく近似は、エッジベクトルに基づくアフィン結合を介して隣り合う接続を符号化し、テイラー展開の2階項内の近似誤差を制限する。 EVAアップサンプリングは、ネットワークアーキテクチャによるアップサンプリングスケールを分離し、1回のトレーニングでフレキシブルアップサンプリングレートを達成する。 質的および定量的評価により, PU-EVAは, 近接面, 分布均一性, 幾何的細部保存の点で, 最先端技術よりも優れていることが示された。

関連論文リスト

• Curvature Informed Furthest Point Sampling [0.0]
  ファテスト点サンプリング(FPS)を強化する強化学習に基づくサンプリングアルゴリズムを提案する。 提案手法は,FPS由来のソフトランクと深部ニューラルネットワークによる曲率スコアを組み合わせることで,ポイントをランク付けする。 我々は,各特徴が性能に与える影響について,質的および定量的に考察した総合的アブレーション研究を提供する。
  論文  参考訳（メタデータ） (2024-11-25T23:58:38Z)
• Arbitrary-Scale Point Cloud Upsampling by Voxel-Based Network with Latent Geometric-Consistent Learning [52.825441454264585]
  Voxel-based Network (textbfPU-VoxelNet) を用いた任意のスケールのクラウド・アップサンプリング・フレームワークを提案する。 ボクセル表現から継承された完全性と規則性により、ボクセルベースのネットワークは3次元表面を近似する事前定義されたグリッド空間を提供することができる。 密度誘導グリッド再サンプリング法を開発し、高忠実度点を生成するとともに、サンプリング出力を効果的に回避する。
  論文  参考訳（メタデータ） (2024-03-08T07:31:14Z)
• Grad-PU: Arbitrary-Scale Point Cloud Upsampling via Gradient Descent with Learned Distance Functions [77.32043242988738]
  我々は、任意のアップサンプリングレートをサポートする、正確なポイントクラウドアップサンプリングのための新しいフレームワークを提案する。 提案手法は,まず,所定のアップサンプリング率に応じて低解像度の雲を補間する。
  論文  参考訳（メタデータ） (2023-04-24T06:36:35Z)
• Joint Geometry and Attribute Upsampling of Point Clouds Using Frequency-Selective Models with Overlapped Support [4.211128681972148]
  本稿では,周波数選択型アップサンプリング(FSU)を提案する。 平面間誤差と平面-平面角類似性の観点から,提案したFSUの最適性能を示す。
  論文  参考訳（メタデータ） (2023-01-27T10:20:06Z)
• Arbitrary Point Cloud Upsampling with Spherical Mixture of Gaussians [1.2375561840897737]
  APU-SMOGはArbitrary Point Cloud Upsampling (APU)のためのTransformerベースのモデルである APU-SMOGは最先端の固定比法より優れている。
  論文  参考訳（メタデータ） (2022-08-10T11:10:16Z)
• BIMS-PU: Bi-Directional and Multi-Scale Point Cloud Upsampling [60.257912103351394]
  我々はBIMS-PUと呼ばれる新しいポイント・クラウド・アップサンプリング・パイプラインを開発した。 対象のサンプリング因子を小さな因子に分解することにより,アップ/ダウンサンプリング手順をいくつかのアップ/ダウンサンプリングサブステップに分解する。 提案手法は最先端手法よりも優れた結果が得られることを示す。
  論文  参考訳（メタデータ） (2022-06-25T13:13:37Z)
• 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)
• SPU-Net: Self-Supervised Point Cloud Upsampling by Coarse-to-Fine Reconstruction with Self-Projection Optimization [52.20602782690776]
  実際のスキャンされたスパースデータからトレーニング用の大規模なペアリングスパーススキャンポイントセットを得るのは高価で面倒です。 本研究では,SPU-Net と呼ばれる自己監視型点群アップサンプリングネットワークを提案する。 本研究では,合成データと実データの両方について様々な実験を行い,最先端の教師付き手法と同等の性能が得られることを示す。
  論文  参考訳（メタデータ） (2020-12-08T14:14:09Z)
• Deep Magnification-Flexible Upsampling over 3D Point Clouds [103.09504572409449]
  本稿では,高密度点雲を生成するためのエンドツーエンド学習ベースのフレームワークを提案する。 まずこの問題を明示的に定式化し、重みと高次近似誤差を判定する。 そこで我々は,高次改良とともに,統一重みとソート重みを適応的に学習する軽量ニューラルネットワークを設計する。
  論文  参考訳（メタデータ） (2020-11-25T14:00:18Z)

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。