論文の概要: Gradient-based Point Cloud Denoising with Uniformity

• arxiv url: http://arxiv.org/abs/2207.10279v1
• Date: Thu, 21 Jul 2022 03:14:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-22 13:29:44.830952
• Title: Gradient-based Point Cloud Denoising with Uniformity
• Title（参考訳）: 一様性をもつ勾配に基づく点雲
• Authors: Tian-Xing Xu, Yuan-Chen Guo, Yong-Liang Yang and Song-Hai Zhang
• Abstract要約: GPCD++は、UniNetという名前の超軽量ネットワークを備えた勾配ベースのデノイザである。 従来の最先端手法と比較して、我々のアプローチは競争力やより優れた偏見を生み出すだけでなく、一様性も著しく改善する。
• 参考スコア（独自算出の注目度）: 34.181084461133175
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Point clouds captured by depth sensors are often contaminated by noises, obstructing further analysis and applications. In this paper, we emphasize the importance of point distribution uniformity to downstream tasks. We demonstrate that point clouds produced by existing gradient-based denoisers lack uniformity despite having achieved promising quantitative results. To this end, we propose GPCD++, a gradient-based denoiser with an ultra-lightweight network named UniNet to address uniformity. Compared with previous state-of-the-art methods, our approach not only generates competitive or even better denoising results, but also significantly improves uniformity which largely benefits applications such as surface reconstruction.
• Abstract（参考訳）: 深度センサーが捉えた点雲はしばしばノイズによって汚染され、さらなる分析や応用を妨げる。 本稿では,下流タスクにおける点分布の均一性の重要性を強調する。 我々は,既存の勾配式デノイザが生成する点雲が,有望な定量的結果を得たにもかかわらず均一性を欠いていることを示した。 そこで我々は,UniNetという超軽量ネットワークを備えた勾配型デノイザGPCD++を提案する。 従来の最先端手法と比較して,提案手法は競争力やより優れた偏微分結果を生成するだけでなく,表面再構成などの応用に大きく貢献する均一性を著しく向上する。

関連論文リスト

• Point Cloud Resampling with Learnable Heat Diffusion [58.050130177241186]
  ポイントクラウド再サンプリングのための学習可能な熱拡散フレームワークを提案する。 前の固定された拡散モデルとは異なり、適応条件は点雲の幾何学的特徴を選択的に保存する。
  論文  参考訳（メタデータ） (2024-11-21T13:44:18Z)
• 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)
• PD-Flow: A Point Cloud Denoising Framework with Normalizing Flows [20.382995180671205]
  ポイント・クラウド・デノゲーション(Point cloud denoising)は、ノイズや外れ値によって破損した生の観測からクリーン・ポイント・クラウドを復元することを目的としている。 本稿では,正規化フローとノイズ分散手法を取り入れた,ディープラーニングに基づく新しいDenoisingモデルを提案する。
  論文  参考訳（メタデータ） (2022-03-11T14:17:58Z)
• 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)
• Point Cloud Denoising via Momentum Ascent in Gradient Fields [72.93429911044903]
  ニューラルネットワークを用いて雑音点雲から勾配場を推定する勾配法を提案した。 そこで我々は, 過去の反復情報を利用して, 点の軌道を決定する運動量勾配上昇法を開発した。 実験により, 提案手法は, 様々な点群, ノイズタイプ, 騒音レベルを有する最先端手法よりも優れていた。
  論文  参考訳（メタデータ） (2022-02-21T10:21:40Z)
• Deep Point Set Resampling via Gradient Fields [11.5128379063303]
  現実世界のオブジェクトやシーンをスキャンして取得した3Dポイントクラウドは、幅広いアプリケーションを見つけました。 しばしばノイズに悩まされるか、低密度に悩まされるため、表面の再構築や理解といった下流の作業が妨げられる。 本稿では, 点雲の連続勾配場を学習する, 復元のための点集合再サンプリングの新しいパラダイムを提案する。
  論文  参考訳（メタデータ） (2021-11-03T07:20:35Z)
• Implicit Sparse Regularization: The Impact of Depth and Early Stopping [35.4113861165802]
  勾配降下をスパースモデルに収束させるためには,早期停止が不可欠であることを示す。 我々は, 深さと早期停止の影響を特徴付けるとともに, 一般深度パラメータNに対して, 早期停止による勾配降下が極小最適スパース回復を達成することを示す。
  論文  参考訳（メタデータ） (2021-08-12T07:43:29Z)
• 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)
• Improved Analysis of Clipping Algorithms for Non-convex Optimization [19.507750439784605]
  最近、citetzhang 2019gradient show that clipped (stochastic) Gradient Descent (GD) converges faster than vanilla GD/SGD。 実験は、深層学習におけるクリッピングに基づく手法の優位性を確認する。
  論文  参考訳（メタデータ） (2020-10-05T14:36:59Z)

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。