論文の概要: BIMS-PU: Bi-Directional and Multi-Scale Point Cloud Upsampling

• arxiv url: http://arxiv.org/abs/2206.12648v1
• Date: Sat, 25 Jun 2022 13:13:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-28 15:15:37.279426
• Title: BIMS-PU: Bi-Directional and Multi-Scale Point Cloud Upsampling
• Title（参考訳）: BIMS-PU:双方向およびマルチスケールポイントクラウドアップサンプリング
• Authors: Yechao Bai, Xiaogang Wang, Marcelo H. Ang Jr and Daniela Rus
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 60.257912103351394
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The learning and aggregation of multi-scale features are essential in empowering neural networks to capture the fine-grained geometric details in the point cloud upsampling task. Most existing approaches extract multi-scale features from a point cloud of a fixed resolution, hence obtain only a limited level of details. Though an existing approach aggregates a feature hierarchy of different resolutions from a cascade of upsampling sub-network, the training is complex with expensive computation. To address these issues, we construct a new point cloud upsampling pipeline called BIMS-PU that integrates the feature pyramid architecture with a bi-directional up and downsampling path. Specifically, we decompose the up/downsampling procedure into several up/downsampling sub-steps by breaking the target sampling factor into smaller factors. The multi-scale features are naturally produced in a parallel manner and aggregated using a fast feature fusion method. Supervision signal is simultaneously applied to all upsampled point clouds of different scales. Moreover, we formulate a residual block to ease the training of our model. Extensive quantitative and qualitative experiments on different datasets show that our method achieves superior results to state-of-the-art approaches. Last but not least, we demonstrate that point cloud upsampling can improve robot perception by ameliorating the 3D data quality.
• Abstract（参考訳）: マルチスケール機能の学習と集約は、ポイントクラウドアップサンプリングタスクの詳細な幾何学的詳細をキャプチャするニューラルネットワークを強化する上で不可欠なものだ。 既存のほとんどのアプローチは、固定解像度の点雲からマルチスケールの特徴を抽出するので、詳細は限られている。 既存のアプローチは、アップサンプリングサブネットワークのカスケードから異なる解像度の特徴階層を集約するが、トレーニングは高価な計算に複雑である。 これらの問題に対処するために,機能ピラミッドアーキテクチャと双方向のアップアンドダウンサンプリングパスを統合するBIMS-PUという,新たなポイントクラウドアップサンプリングパイプラインを構築した。 具体的には, 対象のサンプリング係数を小さく分割して, up/downsampling 手順をいくつかのup/downsamplingサブステップに分割する。 マルチスケール機能は自然に並列に生成され、高速な特徴融合法を用いて集約される。 監視信号は、異なるスケールのアップサンプリングされたすべての点雲に同時に適用される。 さらに,モデルのトレーニングを容易にするために残留ブロックを定式化する。 異なるデータセットに対する大規模定量的および定性的実験により,本手法は最先端の手法よりも優れた結果が得られることが示された。 最後に,3次元データ品質の向上により,点雲のアップサンプリングによりロボットの知覚が向上することを示す。

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)
• 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)
• 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)
• Learning Semantic Segmentation of Large-Scale Point Clouds with Random Sampling [52.464516118826765]
  我々はRandLA-Netを紹介した。RandLA-Netは、大規模ポイントクラウドのポイントごとの意味を推論する、効率的で軽量なニューラルネットワークアーキテクチャである。 我々のアプローチの鍵は、より複雑な点選択アプローチではなく、ランダムな点サンプリングを使用することである。 我々のRandLA-Netは、既存のアプローチよりも最大200倍高速な1回のパスで100万ポイントを処理できます。
  論文  参考訳（メタデータ） (2021-07-06T05:08:34Z)
• 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。