論文の概要: Frequency-Selective Geometry Upsampling of Point Clouds

• arxiv url: http://arxiv.org/abs/2205.01458v1
• Date: Tue, 3 May 2022 12:44:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-04 14:55:35.038815
• Title: Frequency-Selective Geometry Upsampling of Point Clouds
• Title（参考訳）: 点雲の周波数選択幾何アップサンプリング
• Authors: Viktoria Heimann, Andreas Spruck, Andr\'e Kaup
• Abstract要約: 高解像度の点雲を捉えることは高価であり、しばしば低解像度データのアップサンプリングに置き換えられる。 本稿では,周波数選択率の原理を用いて,点雲の表面を近似した周波数モデルを局所的に推定する。 新しい周波数選択型幾何アップサンプリングは,2および4のスケーリング因子に対する最先端手法と比較して主観的および客観的品質の面で優れた結果を示す。
• 参考スコア（独自算出の注目度）: 4.211128681972148
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The demand for high-resolution point clouds has increased throughout the last years. However, capturing high-resolution point clouds is expensive and thus, frequently replaced by upsampling of low-resolution data. Most state-of-the-art methods are either restricted to a rastered grid, incorporate normal vectors, or are trained for a single use case. We propose to use the frequency selectivity principle, where a frequency model is estimated locally that approximates the surface of the point cloud. Then, additional points are inserted into the approximated surface. Our novel frequency-selective geometry upsampling shows superior results in terms of subjective as well as objective quality compared to state-of-the-art methods for scaling factors of 2 and 4. On average, our proposed method shows a 4.4 times smaller point-to-point error than the second best state-of-the-art PU-Net for a scale factor of 4.
• Abstract（参考訳）: 近年,高解像度点雲の需要が増加している。 しかし、高解像度の点雲の捕獲は高価であり、しばしば低解像度データのアップサンプリングに置き換えられる。 ほとんどの最先端のメソッドは、ラスタグリッドに制限され、通常のベクトルを組み込むか、単一のユースケースのために訓練される。 点雲の表面を近似する周波数モデルを局所的に推定する周波数選択性原理を用いることを提案する。 そして、近似面に付加点を挿入する。 新しい周波数選択型幾何アップサンプリングは,2および4のスケーリング因子に対する最先端手法と比較して主観的および客観的品質の面で優れた結果を示す。 提案手法は平均して4.4倍のポイント・ツー・ポイント誤差を,2番目に優れたpu-netよりも4。

関連論文リスト

• 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)
• Simple Baselines for Projection-based Full-reference and No-reference Point Cloud Quality Assessment [60.2709006613171]
  投影型ポイントクラウド品質評価(PCQA)のための簡易ベースラインを提案する。 我々は、全参照(FR)タスクと非参照(NR)PCQAタスクの両方に対して、点雲から共通立方体状の投影プロセスによって得られる多重射影を用いる。 ICIP 2023 PCVQA Challengeに参加して,5トラック中4トラックで首位を獲得した。
  論文  参考訳（メタデータ） (2023-10-26T04:42:57Z)
• Arbitrary point cloud upsampling via Dual Back-Projection Network [12.344557879284219]
  ポイントクラウドアップサンプリング(DBPnet)のためのデュアルバックプロジェクションネットワークを提案する。 デュアルバックプロジェクションは、ポイントクラウドアップサンプリングのためのアップアップアップ方式で定式化される。 実験の結果,提案手法は最小の点集合の損失を達成できることがわかった。
  論文  参考訳（メタデータ） (2023-07-18T06:11:09Z)
• 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)
• PUFA-GAN: A Frequency-Aware Generative Adversarial Network for 3D Point Cloud Upsampling [56.463507980857216]
  本稿では,点群アップサンプリングのための生成的対向ネットワークを提案する。 基底表面に均等に分布するアップサンプリングポイントを作成できるだけでなく、クリーンな高周波領域を効率的に生成することができる。
  論文  参考訳（メタデータ） (2022-03-02T07:47:46Z)
• PU-Flow: a Point Cloud Upsampling Networkwith Normalizing Flows [58.96306192736593]
  本稿では,正規化フローを組み込んだPU-Flowについて述べる。 具体的には、重みが局所的な幾何学的文脈から適応的に学習される潜在空間において、アップサンプリング過程を点として定式化する。 提案手法は, 再現性, 近接精度, 計算効率の観点から, 最先端の深層学習手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-07-13T07:45:48Z)
• 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。