論文の概要: Contrastive Learning for Joint Normal Estimation and Point Cloud Filtering

• arxiv url: http://arxiv.org/abs/2208.06811v2
• Date: Wed, 3 May 2023 01:08:53 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-04 18:51:21.984820
• Title: Contrastive Learning for Joint Normal Estimation and Point Cloud Filtering
• Title（参考訳）: 協調正規推定と点クラウドフィルタリングのためのコントラスト学習
• Authors: Dasith de Silva Edirimuni, Xuequan Lu, Gang Li, and Antonio Robles-Kelly
• Abstract要約: 本研究では,正規点とフィルタ点の雲を共同で推定する新しいディープラーニング手法を提案する。 まず,3Dパッチに基づくコントラスト学習フレームワークを導入する。 実験の結果,本手法は2つのタスクを同時にサポートし,シャープな特徴と細部を保存できることがわかった。
• 参考スコア（独自算出の注目度）: 12.602645108896636
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Point cloud filtering and normal estimation are two fundamental research problems in the 3D field. Existing methods usually perform normal estimation and filtering separately and often show sensitivity to noise and/or inability to preserve sharp geometric features such as corners and edges. In this paper, we propose a novel deep learning method to jointly estimate normals and filter point clouds. We first introduce a 3D patch based contrastive learning framework, with noise corruption as an augmentation, to train a feature encoder capable of generating faithful representations of point cloud patches while remaining robust to noise. These representations are consumed by a simple regression network and supervised by a novel joint loss, simultaneously estimating point normals and displacements that are used to filter the patch centers. Experimental results show that our method well supports the two tasks simultaneously and preserves sharp features and fine details. It generally outperforms state-of-the-art techniques on both tasks. Our source code is available at https://github.com/ddsediri/CLJNEPCF.
• Abstract（参考訳）: 点雲フィルタリングと正規推定は3次元領域における2つの基本的な研究課題である。 既存の手法は通常、通常の推定とフィルタリングを別々に行い、しばしばノイズに対する感度を示し、角や縁などの鋭い幾何学的特徴を保存できない。 本稿では,正規分布とフィルタ点群を共同で推定する新しい深層学習法を提案する。 まず,ノイズに頑健なままポイントクラウドパッチの忠実な表現を生成可能な特徴エンコーダを訓練するために,ノイズ崩壊を補足として,3次元パッチベースのコントラスト学習フレームワークを導入する。 これらの表現は単純な回帰ネットワークによって消費され、新しいジョイントロスによって監督され、パッチセンターのフィルタに使われる点正規値と変位を同時に推定する。 実験の結果,本手法は2つのタスクを同時にサポートでき,鋭い特徴と細部を保存できることがわかった。 一般に、両方のタスクで最先端の技術よりも優れています。 ソースコードはhttps://github.com/ddsediri/cljnepcfで入手できます。

関連論文リスト

• Inferring Neural Signed Distance Functions by Overfitting on Single Noisy Point Clouds through Finetuning Data-Driven based Priors [53.6277160912059]
  本稿では,データ駆動型およびオーバーフィット型手法のプロースを推進し,より一般化し,高速な推論を行い,より高精度なニューラルネットワークSDFを学習する手法を提案する。 そこで本研究では,距離管理やクリーンポイントクラウド,あるいは点正規化を伴わずに,データ駆動型プリエントを微調整できる新しい統計的推論アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-25T16:48:44Z)
• StraightPCF: Straight Point Cloud Filtering [50.66412286723848]
  ポイントクラウドフィルタリングは、基礎となるクリーンな表面を回復しながらノイズを取り除くことを目的とした、基本的な3Dビジョンタスクである。 我々は、ポイントクラウドフィルタリングのための新しいディープラーニングベースの方法であるStraightPCFを紹介する。 ノイズの多い点を直線に沿って移動させることで、離散化誤差を低減し、クリーン表面への高速な収束を保証する。
  論文  参考訳（メタデータ） (2024-05-14T05:41:59Z)
• NeuralGF: Unsupervised Point Normal Estimation by Learning Neural Gradient Function [55.86697795177619]
  3次元点雲の正規推定は3次元幾何処理の基本的な課題である。 我々は,ニューラルネットワークが入力点雲に適合することを奨励する,ニューラルグラデーション関数の学習のための新しいパラダイムを導入する。 広範に使用されているベンチマークの優れた結果から,本手法は非指向性および指向性正常推定タスクにおいて,より正確な正規性を学習できることが示されている。
  論文  参考訳（メタデータ） (2023-11-01T09:25:29Z)
• Weighted Point Cloud Normal Estimation [16.26518988623745]
  本稿では,3次元点雲データに対する重み付き正規推定手法を提案する。 局所的な点パッチから点の重みを推定する新しい重み付き正規回帰手法を提案する。 提案手法は,合成および実世界の両方のデータセット上で,最先端の性能を実現することで,ノイズや複雑な点群を頑健に処理することができる。
  論文  参考訳（メタデータ） (2023-05-06T10:46:56Z)
• IterativePFN: True Iterative Point Cloud Filtering [18.51768749680731]
  基本的な3Dビジョンタスクは、ポイントクラウドフィルタリング(point cloud filtering)またはデノイング(denoising)として知られるノイズの除去である。 本報告では,本フィルタを内部でモデル化する複数のイテレーションで構成されたIterativePFN(Iterative Cloud Filtering Network)を提案する。 我々の手法は最先端の手法よりも優れた性能が得られる。
  論文  参考訳（メタデータ） (2023-04-04T04:47:44Z)
• PCDNF: Revisiting Learning-based Point Cloud Denoising via Joint Normal Filtering [10.411935152370136]
  連成正規フィルタリングにより点雲を識別するエンド・ツー・エンドネットワーク PCDNF を提案する。 特に,ネットワーク全体のノイズ除去を効果的に行うために,補助的な正規フィルタリングタスクを導入する。 アーキテクチャ全体に加えて、ネットワークには2つの新しいモジュールがあります。
  論文  参考訳（メタデータ） (2022-09-02T03:10:21Z)
• 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)
• IDEA-Net: Dynamic 3D Point Cloud Interpolation via Deep Embedding Alignment [58.8330387551499]
  我々は、点方向軌跡(すなわち滑らかな曲線)の推定として問題を定式化する。 本稿では,学習した時間的一貫性の助けを借りて問題を解消する,エンドツーエンドのディープラーニングフレームワークであるIDEA-Netを提案する。 各種点群における本手法の有効性を実証し, 定量的かつ視覚的に, 最先端の手法に対する大幅な改善を観察する。
  論文  参考訳（メタデータ） (2022-03-22T10:14:08Z)
• Deep Point Cloud Normal Estimation via Triplet Learning [12.271669779096076]
  点雲の新しい正規推定法を提案する。 a) 局所パッチの表現を学習する特徴符号化と(b) 学習した表現を入力として取り、通常のベクトルを回帰する正規推定である。 本手法は,シャープな特徴を保存し,CAD形状の正常な推定結果を改善する。
  論文  参考訳（メタデータ） (2021-10-20T11:16:00Z)
• Deep Feature-preserving Normal Estimation for Point Cloud Filtering [14.411519695767634]
  本稿では,ポイントクラウドフィルタリングのための特徴保存正規推定法を提案する。 学習方法であり,正規化の自動予測を実現する。 種々の実験により,本手法は最先端の正規推定法や点雲フィルタリング法より優れていることが示された。
  論文  参考訳（メタデータ） (2020-04-24T07:05:48Z)
• Learning multiview 3D point cloud registration [74.39499501822682]
  本稿では,エンドツーエンドで学習可能なマルチビュー3Dポイントクラウド登録アルゴリズムを提案する。 このアプローチは、エンドツーエンドのトレーニングが可能で、計算コストが小さく、最先端のマージンよりも優れています。
  論文  参考訳（メタデータ） (2020-01-15T03:42:14Z)

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。