論文の概要: Surface Representation for Point Clouds
- arxiv url: http://arxiv.org/abs/2205.05740v1
- Date: Wed, 11 May 2022 19:14:49 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-13 13:08:56.263603
- Title: Surface Representation for Point Clouds
- Title(参考訳): 点雲の表面表現
- Authors: Haoxi Ran, Jun Liu, Chengjie Wang
- Abstract要約: RepSurfは、非常に局所的な構造を具体的に表現するための、ポイントクラウドの斬新な表現である。
RepSurfは、不規則な点との無料のコラボレーションのおかげで、ほとんどの点のクラウドモデルのためのプラグイン・アンド・プレイモジュールになり得る。
- 参考スコア(独自算出の注目度): 20.060504993733833
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Most prior work represents the shapes of point clouds by coordinates.
However, it is insufficient to describe the local geometry directly. In this
paper, we present \textbf{RepSurf} (representative surfaces), a novel
representation of point clouds to \textbf{explicitly} depict the very local
structure. We explore two variants of RepSurf, Triangular RepSurf and Umbrella
RepSurf inspired by triangle meshes and umbrella curvature in computer
graphics. We compute the representations of RepSurf by predefined geometric
priors after surface reconstruction. RepSurf can be a plug-and-play module for
most point cloud models thanks to its free collaboration with irregular points.
Based on a simple baseline of PointNet++ (SSG version), Umbrella RepSurf
surpasses the previous state-of-the-art by a large margin for classification,
segmentation and detection on various benchmarks in terms of performance and
efficiency. With an increase of around \textbf{0.008M} number of parameters,
\textbf{0.04G} FLOPs, and \textbf{1.12ms} inference time, our method achieves
\textbf{94.7\%} (+0.5\%) on ModelNet40, and \textbf{84.6\%} (+1.8\%) on
ScanObjectNN for classification, while \textbf{74.3\%} (+0.8\%) mIoU on S3DIS
6-fold, and \textbf{70.0\%} (+1.6\%) mIoU on ScanNet for segmentation. For
detection, previous state-of-the-art detector with our RepSurf obtains
\textbf{71.2\%} (+2.1\%) mAP$\mathit{_{25}}$, \textbf{54.8\%} (+2.0\%)
mAP$\mathit{_{50}}$ on ScanNetV2, and \textbf{64.9\%} (+1.9\%)
mAP$\mathit{_{25}}$, \textbf{47.7\%} (+2.5\%) mAP$\mathit{_{50}}$ on SUN RGB-D.
Our lightweight Triangular RepSurf performs its excellence on these benchmarks
as well. The code is publicly available at
\url{https://github.com/hancyran/Re pSurf}.
- Abstract(参考訳): ほとんどの先行研究は座標による点雲の形状を表している。
しかし、局所幾何学を直接記述するには不十分である。
本稿では, 点雲の局所構造を記述する新しい表現である, \textbf{RepSurf} (representative surfaces) を提案する。
我々は,三角形メッシュに触発されたrepsurf,三角形repsurf,傘repsurfの2つの変種と,コンピュータグラフィックスにおける傘曲率について検討した。
RepSurfの表現は、表面再構成後の予め定義された幾何学的先行値によって計算する。
repsurfは、不規則な点との無償のコラボレーションにより、ほとんどのポイントクラウドモデルのためのプラグアンドプレイモジュールとなる。
PointNet++(SSGバージョン)のシンプルなベースラインに基づいて、Umbrella RepSurfは、パフォーマンスと効率の観点から、さまざまなベンチマークの分類、セグメンテーション、検出において、これまでの最先端をはるかに上回っている。
パラメータの約 \textbf{0.008M} , \textbf{0.04G} FLOPs および \textbf{1.12ms} の推論時間の増加に伴い,ModelNet40では \textbf{94.7\%} (+0.5\%) , ScanObjectNNでは \textbf{84.6\%} (+1.8\%) , S3DIS 6-foldでは \textbf{74.3\%} (+0.8\%) mIoU, ScanNetでは \textb{70.0\%} (+1.6\%) mIoU が得られる。
検出のために、RepSurf を用いた過去の最先端検出器は、ScanNetV2 上で \textbf{71.2\%} (+2.1\%) mAP$\mathit{_{25}}$, \textbf{54.8\%} (+2.0\%) mAP$\mathit{_{50}}$, SUN RGB-D 上で \textbf{64.9\%} (+1.9\%) mAP$\mathit{_{_{25}}$, \textbf{47.7\%} (+2.5\%) mAP$\mathit{_{50}}$を得る。
私たちの軽量なTriangular RepSurfは、これらのベンチマークでも優れた性能を発揮しています。
コードは \url{https://github.com/hancyran/Re pSurf} で公開されている。
関連論文リスト
- Reconstructing Surfaces for Sparse Point Clouds with On-Surface Priors [52.25114448281418]
現在の方法では、接地距離や点正規化なしに単一点雲から符号付き距離関数 (Signed Distance Function, SDF) を学習することで、表面を再構築することができる。
そこで本稿では, 表面上の粗い点雲から高精度な表面を復元することを提案する。
本手法は, 接地距離や点正規化を伴わずに, 単一のスパース点雲からSDFを学習することができる。
論文 参考訳(メタデータ) (2022-04-22T09:45:20Z) - Rethinking Network Design and Local Geometry in Point Cloud: A Simple
Residual MLP Framework [55.40001810884942]
我々は、洗練された局所幾何学的抽出器を組み込んだ純粋な残留ネットワークPointMLPを導入するが、それでも非常に競争力がある。
実世界のScanObjectNNデータセットでは,従来のベストメソッドを3.3%の精度で上回ります。
最新のCurveNetと比較して、PointMLPは2倍速く、テストは7倍速く、ModelNet40ベンチマークではより正確である。
論文 参考訳(メタデータ) (2022-02-15T01:39:07Z) - POCO: Point Convolution for Surface Reconstruction [92.22371813519003]
入射ニューラルネットワークは点雲からの表面再構成に成功している。
それらの多くは、オブジェクトやシーン全体を1つの潜伏ベクトルにエンコードするときにスケーラビリティの問題に直面します。
本稿では,各入力点における点雲畳み込みと潜在ベクトルの計算を提案する。
論文 参考訳(メタデータ) (2022-01-05T21:26:18Z) - End-to-End Segmentation via Patch-wise Polygons Prediction [93.91375268580806]
先頭のセグメンテーション法は、出力マップをピクセルグリッドとして表現する。
画像パッチ毎に対象のエッジがモデル化される別の表現を、パッチごとのラベル確率と結合した$k$の頂点を持つポリゴンとして検討する。
論文 参考訳(メタデータ) (2021-12-05T10:42:40Z) - Spiked Covariance Estimation from Modulo-Reduced Measurements [14.569322713960494]
我々は、ほとんどの方向において$bfu$と$nu=mathrmpoly(k)$に対して、$n=mathrmpoly(k)$測定を用いて、高い精度で$bfu$を推定するアルゴリズムを開発し、分析する。
数値実験により,非漸近的条件下でも良好な性能が得られた。
論文 参考訳(メタデータ) (2021-10-04T02:10:47Z) - Accurately Modeling Biased Random Walks on Weighted Graphs Using
$\textit{Node2vec+}$ [0.0]
私たちは、ウォークバイアスを計算する際のエッジウェイトを考慮に入れながら、$textitnode2vec$から$textitnode2vec+$に拡張します。
重み付きグラフでは、$textitnode2vec+$は、$textitnode2vec$よりも付加的なノイズに対して堅牢であることを示す。
また、通常ベンチマークされたマルチラベルデータセット上で、$textitnode2vec+$が$textitnode2vec$を大幅に上回っていることも示しています。
論文 参考訳(メタデータ) (2021-09-15T17:59:25Z) - Distributed Saddle-Point Problems Under Similarity [173.19083235638104]
与えられたサブ最適度$epsilon0$は、$Omegabigのマスター/ワーカーネットワークで達成されることを示す。
次に,ネットワークの下位の型(ログオーバまで)に適合するアルゴリズムを提案する。
頑健なロジスティック回帰問題に対して提案アルゴリズムの有効性を評価する。
論文 参考訳(メタデータ) (2021-07-22T14:25:16Z) - Deep Implicit Surface Point Prediction Networks [49.286550880464866]
暗黙の関数としての3次元形状の深い神経表現は、高忠実度モデルを生成することが示されている。
本稿では,CSP(Nest Surface-point)表現と呼ばれる新しい種類の暗黙の表現を用いて,そのような曲面をモデル化する新しいアプローチを提案する。
論文 参考訳(メタデータ) (2021-06-10T14:31:54Z) - Point Cloud Upsampling and Normal Estimation using Deep Learning for
Robust Surface Reconstruction [2.821829060100186]
ポイントクラウドアップサンプリングのための新しいディープラーニングアーキテクチャを紹介します。
対応する点正規度を持つ低密度の雑音点雲を用いて、高密度および随伴点正規度を持つ点雲を推定する。
論文 参考訳(メタデータ) (2021-02-26T10:58:26Z)
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。