論文の概要: SLiDE: Self-supervised LiDAR De-snowing through Reconstruction Difficulty

• arxiv url: http://arxiv.org/abs/2208.04043v1
• Date: Mon, 8 Aug 2022 10:43:47 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-09 13:30:59.468555
• Title: SLiDE: Self-supervised LiDAR De-snowing through Reconstruction Difficulty
• Title（参考訳）: slide: 自己監視型lidarの再構築難易度向上
• Authors: Gwangtak Bae, Byungjun Kim, Seongyong Ahn, Jihong Min, Inwook Shim
• Abstract要約: 我々は,LiDAR点雲における雪点除去のための新しい自己教師型学習フレームワークを提案する。 本手法は, 騒音点の構造的特徴を生かし, 隣人との空間的相関を低くする。 本手法はラベルなし手法の最先端性能を実現し,完全教師付き手法に匹敵する。
• 参考スコア（独自算出の注目度）: 2.0159253466233222
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: LiDAR is widely used to capture accurate 3D outdoor scene structures. However, LiDAR produces many undesirable noise points in snowy weather, which hamper analyzing meaningful 3D scene structures. Semantic segmentation with snow labels would be a straightforward solution for removing them, but it requires laborious point-wise annotation. To address this problem, we propose a novel self-supervised learning framework for snow points removal in LiDAR point clouds. Our method exploits the structural characteristic of the noise points: low spatial correlation with their neighbors. Our method consists of two deep neural networks: Point Reconstruction Network (PR-Net) reconstructs each point from its neighbors; Reconstruction Difficulty Network (RD-Net) predicts point-wise difficulty of the reconstruction by PR-Net, which we call reconstruction difficulty. With simple post-processing, our method effectively detects snow points without any label. Our method achieves the state-of-the-art performance among label-free approaches and is comparable to the fully-supervised method. Moreover, we demonstrate that our method can be exploited as a pretext task to improve label-efficiency of supervised training of de-snowing.
• Abstract（参考訳）: LiDARは正確な3D屋外シーンの撮影に広く利用されている。 しかし、LiDARは降雪時に多くの望ましくないノイズを発生させるため、意味のある3Dシーン構造を解析できない。 雪のラベル付きセマンティックセグメンテーションは、それらを除去するための簡単な解決法である。 そこで本研究では,lidar point cloudにおける雪点除去のための自己教師付き学習フレームワークを提案する。 本手法は, 騒音点の構造的特徴を生かし, 隣人との空間的相関を低くする。 提案手法は2つの深層ニューラルネットワークからなる:ポイント再構成ネットワーク(PR-Net)は各地点を近隣から再構成し、リコンストラクション困難ネットワーク(RD-Net)はPR-Netによる再建の難易度を予測する。 簡単な後処理により,ラベルのない雪点を効果的に検出する。 本手法はラベルなし手法の最先端性能を実現し,完全教師付き手法に匹敵する。 さらに,提案手法をプリテキストタスクとして活用し,教師付き学習のラベル効率を向上させることを実証した。

関連論文リスト

• Few-shot point cloud reconstruction and denoising via learned Guassian splats renderings and fine-tuned diffusion features [52.62053703535824]
  本稿では,少数の画像から点雲を再構成し,そのレンダリングから点雲を識別する手法を提案する。 制約条件下での再構成を改善するため,ハイブリッド表面と外観の相違点のトレーニングを規則化する。 これらの学習したフィルタを使って、3Dの監督なしに来る点雲ノイズを除去する方法を実証する。
  論文  参考訳（メタデータ） (2024-04-01T13:38:16Z)
• Neural Kernel Surface Reconstruction [80.51581494300423]
  本稿では,大規模でスパースでノイズの多い点雲から3次元暗示面を再構成する新しい手法を提案する。 我々のアプローチは、最近導入されたNeural Kernel Fields表現に基づいている。
  論文  参考訳（メタデータ） (2023-05-31T06:25:18Z)
• LiDAR-NeRF: Novel LiDAR View Synthesis via Neural Radiance Fields [112.62936571539232]
  本稿では,LiDARセンサのための新しいビュー合成手法を提案する。 スタイルトランスファーニューラルネットワークを用いた従来のモデルベースLiDARシミュレータは、新しいビューのレンダリングに応用できる。 ニューラル放射場(NeRF)を用いて幾何学と3D点の属性の連成学習を容易にする。
  論文  参考訳（メタデータ） (2023-04-20T15:44:37Z)
• Efficient Implicit Neural Reconstruction Using LiDAR [6.516471975863534]
  本稿では, 微小なLiDAR点雲と粗度オドメトリーを用いて, 微小な暗黙的占有場を数分以内に効率的に再構築する手法を提案する。 我々の知る限り、この手法はLiDARのみの入力から暗黙のシーン表現を再構築する最初の方法である。
  論文  参考訳（メタデータ） (2023-02-28T07:31:48Z)
• MAELi: Masked Autoencoder for Large-Scale LiDAR Point Clouds [13.426810473131642]
  Masked AutoEncoder for LiDAR Point clouds (MAELi) は、復元中にエンコーダとデコーダの両方でLiDARポイントクラウドの空間性を直感的に活用する。 新たな再構築アプローチでは、MAELiは空空間と隠された空間を区別する。 これにより、MAELiは基礎となる3次元シーンの幾何学と意味論の理解を得る。
  論文  参考訳（メタデータ） (2022-12-14T13:10:27Z)
• Semi-signed neural fitting for surface reconstruction from unoriented point clouds [53.379712818791894]
  より優れた符号付き距離場を再構成するためのSN-Fittingを提案する。 SSNフィッティングは半署名の監督と損失に基づく領域サンプリング戦略で構成されている。 我々は,SSN-Fittingが,異なる設定下で最先端の性能を達成することを示す実験を行う。
  論文  参考訳（メタデータ） (2022-06-14T09:40:17Z)
• Point Scene Understanding via Disentangled Instance Mesh Reconstruction [21.92736190195887]
  本稿では,効率的なポイントシーン理解のために,aDisentangled Instance Mesh Reconstruction (DIMR) フレームワークを提案する。 セグメント化ベースのバックボーンは、偽陽性オブジェクトの提案を減らすために適用される。 メッシュを意識した潜在コード空間を活用して、シェイプコンプリートとメッシュ生成のプロセスを切り離します。
  論文  参考訳（メタデータ） (2022-03-31T06:36:07Z)
• SelfVoxeLO: Self-supervised LiDAR Odometry with Voxel-based Deep Neural Networks [81.64530401885476]
  本稿では,これら2つの課題に対処するために,自己教師型LiDARオドメトリー法(SelfVoxeLO)を提案する。 具体的には、生のLiDARデータを直接処理する3D畳み込みネットワークを提案し、3D幾何パターンをよりよく符号化する特徴を抽出する。 我々は,KITTIとApollo-SouthBayという2つの大規模データセット上での手法の性能を評価する。
  論文  参考訳（メタデータ） (2020-10-19T09:23:39Z)
• Reconfigurable Voxels: A New Representation for LiDAR-Based Point Clouds [76.52448276587707]
  本稿では,3次元点群から表現を構成する新しい手法であるReconfigurable Voxelsを提案する。 具体的には,各地区を一定数のボクセルで適応的にカバーするランダムウォーク方式を考案する。 この手法は,特に疎水領域において,ボクセル特性の安定性を効果的に向上することがわかった。
  論文  参考訳（メタデータ） (2020-04-06T15:07:16Z)

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。