論文の概要: CP3: Unifying Point Cloud Completion by Pretrain-Prompt-Predict Paradigm

• arxiv url: http://arxiv.org/abs/2207.05359v1
• Date: Tue, 12 Jul 2022 07:46:44 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-14 00:26:44.152488
• Title: CP3: Unifying Point Cloud Completion by Pretrain-Prompt-Predict Paradigm
• Title（参考訳）: CP3: Pretrain-Prompt-Predict Paradigmによるポイントクラウド補完の統合
• Authors: Mingye Xu, Yali Wang, Yihao Liu, Yu Qiao
• Abstract要約: ポイントクラウドコンプリートを、一般のPretrain-Prompt-Predictパラダイム、すなわちCP3で統一する。 NLPからのアプローチをきっかけに、私たちは、ポイントクラウドの生成と改善を、プロンプトと予測段階として創造的に再解釈しました。 本研究では, 予測段階における条件条件再定義(SCR)ネットワークを新たに構築し, セマンティクスの指導によるマルチスケール改良を識別的に調整する。
• 参考スコア（独自算出の注目度）: 55.6015425036901
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Point cloud completion aims to predict complete shape from its partial observation. Current approaches mainly consist of generation and refinement stages in a coarse-to-fine style. However, the generation stage often lacks robustness to tackle different incomplete variations, while the refinement stage blindly recovers point clouds without the semantic awareness. To tackle these challenges, we unify point cloud Completion by a generic Pretrain-Prompt-Predict paradigm, namely CP3. Inspired by prompting approaches from NLP, we creatively reinterpret point cloud generation and refinement as the prompting and predicting stages, respectively. Then, we introduce a concise self-supervised pretraining stage before prompting. It can effectively increase robustness of point cloud generation, by an Incompletion-Of-Incompletion (IOI) pretext task. Moreover, we develop a novel Semantic Conditional Refinement (SCR) network at the predicting stage. It can discriminatively modulate multi-scale refinement with the guidance of semantics. Finally, extensive experiments demonstrate that our CP3 outperforms the state-of-the-art methods with a large margin.
• Abstract（参考訳）: ポイント雲の完成は、部分的な観測から完全な形状を予測することを目的としている。 現在のアプローチは主に粗大なスタイルで生成および改良段階で構成されている。 しかしながら、生成段階は異なる不完全な変化に取り組むための堅牢性に欠けることが多いが、改良段階は意味的な認識なしに点雲を盲目的に回復する。 これらの課題に対処するため、ポイントクラウドコンプリートを汎用的なPretrain-Prompt-Predictパラダイム、すなわちCP3で統一する。 NLPからのアプローチをきっかけに、我々はそれぞれ、プロンプトと予測段階として、ポイントクラウドの生成と改善を創造的に再解釈した。 そして,提案前に,簡潔な自己教師付き事前学習ステージを導入する。 incompletion-of-incompletion (ioi) プリテキストタスクによって、ポイントクラウド生成のロバスト性が効果的に向上する。 さらに,予測段階において,SCR(Semantic Conditional Refinement)ネットワークを新たに構築する。 セマンティクスのガイダンスにより、マルチスケールな洗練度を判別的に調節することができる。 最後に、広範な実験により、cp3は最先端のメソッドよりも大きなマージンで優れています。

関連論文リスト

• ESP-Zero: Unsupervised enhancement of zero-shot classification for Extremely Sparse Point cloud [7.066196862701362]
  極端に疎い点群に対する点群エンコーダを強化するための教師なしモデル適応手法を提案する。 本稿では,学習可能なトークンとアテンションブロックを追加して,事前学習した自己注意層を拡張する,新しいファセットクロスアテンション層を提案する。 また,無関係なテキスト埋め込みから,修正された特徴を引き離すための補完的な学習ベースの自己蒸留スキーマを提案する。
  論文  参考訳（メタデータ） (2024-04-30T15:42:45Z)
• 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)
• PRED: Pre-training via Semantic Rendering on LiDAR Point Clouds [18.840000859663153]
  本稿では,屋外点雲のための画像支援事前学習フレームワークPreDを提案する。 我々のフレームワークの主な構成要素は、Birds-Eye-View (BEV) 機能マップ条件付きセマンティックレンダリングである。 我々は、高マスキング比のポイントワイドマスクを組み込むことにより、モデルの性能をさらに向上させる。
  論文  参考訳（メタデータ） (2023-11-08T07:26:09Z)
• Contrastive Predictive Autoencoders for Dynamic Point Cloud Self-Supervised Learning [26.773995001469505]
  我々は、より包括的な表現を協調的に学習するために、ポイントクラウドシーケンスに基づくコントラスト予測と再構成(CPR)を設計する。 我々は4点のクラウドシークエンスベンチマークで実験を行い、その結果を複数の実験環境下で報告する。
  論文  参考訳（メタデータ） (2023-05-22T12:09:51Z)
• Instance-aware Dynamic Prompt Tuning for Pre-trained Point Cloud Models [64.49254199311137]
  本稿では,事前学習点クラウドモデルのための新しいインスタンス対応動的プロンプトチューニング(IDPT)戦略を提案する。 IDPTの本質は、各ポイントクラウドインスタンスのセマンティックな事前特徴を知覚する動的プロンプト生成モジュールを開発することである。 実験では、IDPTはトレーニング可能なパラメータのわずか7%で、ほとんどのタスクにおいて完全な微調整よりも優れています。
  論文  参考訳（メタデータ） (2023-04-14T16:03:09Z)
• PointVST: Self-Supervised Pre-training for 3D Point Clouds via View-Specific Point-to-Image Translation [64.858505571083]
  本稿では,翻訳型事前学習フレームワークであるPointVSTを提案する。 3Dポイントクラウドからそれに対応する多様な2Dレンダリング画像へのクロスモーダル変換という,新たな教師付きプレテキストタスクによって駆動される。
  論文  参考訳（メタデータ） (2022-12-29T07:03:29Z)
• PointCA: Evaluating the Robustness of 3D Point Cloud Completion Models Against Adversarial Examples [63.84378007819262]
  本稿では,3次元クラウド完了モデルに対する最初の逆攻撃であるPointCAを提案する。 ポイントCAは、元のものと高い類似性を維持する逆点雲を生成することができる。 その結果,PointCAは77.9%から16.7%に低下し,その構造は0.01以下であることがわかった。
  論文  参考訳（メタデータ） (2022-11-22T14:15:41Z)
• PMP-Net: Point Cloud Completion by Learning Multi-step Point Moving Paths [54.459879603473034]
  我々はPMP-Netと呼ばれる新しいニューラルネットワークを設計し、地球移動体の動作を模倣する。 不完全な入力の各点を移動させ、ポイントクラウドを完結させ、ポイント移動パスの合計距離が最も短くなる。 点レベルの厳密でユニークな対応を学習し、不完全な形状と完全なターゲットの間の詳細なトポロジーと構造的関係を捉えることができる。
  論文  参考訳（メタデータ） (2020-12-07T01:34:38Z)

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。