論文の概要: PU-MFA : Point Cloud Up-sampling via Multi-scale Features Attention

• arxiv url: http://arxiv.org/abs/2208.10968v1
• Date: Mon, 22 Aug 2022 02:53:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-24 13:26:45.774243
• Title: PU-MFA : Point Cloud Up-sampling via Multi-scale Features Attention
• Title（参考訳）: PU-MFA : マルチスケール機能によるポイントクラウドアップサンプリング
• Authors: Hyungjun Lee, Sejoon Lim
• Abstract要約: 本稿では,マルチスケール特徴注意(PU-MFA)によるポイントクラウドアップサンプリング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手法を提案する。 PU-MFAは,他の最先端手法と比較して定量的,定性的評価において優れた性能を示した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recently, research using point clouds has been increasing with the development of 3D scanner technology. According to this trend, the demand for high-quality point clouds is increasing, but there is still a problem with the high cost of obtaining high-quality point clouds. Therefore, with the recent remarkable development of deep learning, point cloud up-sampling research, which uses deep learning to generate high-quality point clouds from low-quality point clouds, is one of the fields attracting considerable attention. This paper proposes a new point cloud up-sampling method called Point cloud Up-sampling via Multi-scale Features Attention (PU-MFA). Inspired by previous studies that reported good performance using the multi-scale features or attention mechanisms, PU-MFA merges the two through a U-Net structure. In addition, PU-MFA adaptively uses multi-scale features to refine the global features effectively. The performance of PU-MFA was compared with other state-of-the-art methods through various experiments using the PU-GAN dataset, which is a synthetic point cloud dataset, and the KITTI dataset, which is the real-scanned point cloud dataset. In various experimental results, PU-MFA showed superior performance in quantitative and qualitative evaluation compared to other state-of-the-art methods, proving the effectiveness of the proposed method. The attention map of PU-MFA was also visualized to show the effect of multi-scale features.
• Abstract（参考訳）: 近年,3dスキャナ技術の開発により,ポイントクラウドを用いた研究が増加している。 この傾向により、高品質のポイントクラウドに対する需要が増加しているが、高品質のポイントクラウドを得るためのコストが高騰している。 そのため、近年の特筆すべき深層学習の発展に伴い、深層学習を用いて低品質の点雲から高品質の点雲を生成するポイントクラウドアップサンプリング研究が注目される分野の1つとなっている。 本稿では,マルチスケール特徴注意(PU-MFA)を用いたポイントクラウドアップサンプリング手法を提案する。 PU-MFAは、マルチスケールの特徴や注意機構を用いて優れた性能を報告した以前の研究にインスパイアされ、U-Net構造を通して両者をマージする。 さらにPU-MFAは、グローバル機能を効果的に洗練するために、マルチスケールの機能を適応的に利用する。 PU-MFAの性能は、合成点クラウドデータセットであるPU-GANデータセットと実走査点クラウドデータセットであるKITTIデータセットを用いて、様々な実験を通じて、他の最先端手法と比較された。 その結果, PU-MFAは, 他の最先端手法と比較して定量的, 定性的評価において優れた性能を示し, 提案手法の有効性を実証した。 PU-MFAのアテンションマップも可視化し,マルチスケール特徴の効果を示した。

関連論文リスト

• MBPU: A Plug-and-Play State Space Model for Point Cloud Upsamping with Fast Point Rendering [7.751874339957304]
  我々は,Mambaアーキテクチャ上に構築されたMBPUというネットワークを導入する。 我々は同時に3次元位置ずれと1次元ポイント・ツー・ポイント距離を回帰量として予測し、グローバルな特徴を制約する。 高速点描画の利点により、MBPUは表面ノイズを効果的に排除し、高品質なアップサンプリングされた点雲が得られることに注意されたい。
  論文  参考訳（メタデータ） (2024-10-21T12:13:43Z)
• Contrastive Pre-Training with Multi-View Fusion for No-Reference Point Cloud Quality Assessment [49.36799270585947]
  No-Reference Point Cloud Quality Assessment (NR-PCQA) は、歪んだ点雲の知覚的品質を、参照なしで自動的に評価することを目的としている。 我々は,PCQA(CoPA)に適した新しいコントラスト付き事前学習フレームワークを提案する。 提案手法は,最新のPCQA手法よりも高い性能を示す。
  論文  参考訳（メタデータ） (2024-03-15T07:16:07Z)
• A Conditional Denoising Diffusion Probabilistic Model for Point Cloud Upsampling [10.390581335119098]
  PUDMと呼ばれる点群アップサンプリングのための条件分解拡散確率モデル(DDPM)を提案する。 PUDMはスパース点雲を条件として扱い、高密度点雲と雑音の間の変換関係を反復的に学習する。 PUDMは実験結果に強い耐雑音性を示す。
  論文  参考訳（メタデータ） (2023-12-03T12:41:41Z)
• 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)
• MM-PCQA: Multi-Modal Learning for No-reference Point Cloud Quality Assessment [32.495387943305204]
  マルチモーダル方式で,新しい非参照点クラウド品質評価(NR-PCQA)指標を提案する。 具体的には、点雲を部分モデルに分割し、点シフトやダウンサンプリングのような局所的な幾何学的歪みを表す。 目標を達成するために、サブモデルと投影された画像は、ポイントベースおよびイメージベースニューラルネットワークで符号化される。
  論文  参考訳（メタデータ） (2022-09-01T06:11:12Z)
• Blind Quality Assessment of 3D Dense Point Clouds with Structure Guided Resampling [71.68672977990403]
  本研究では,3次元高密度点雲の知覚的視覚的品質を自動評価するために,Structure Guided Resampling (SGR) を用いた客観的点雲品質指標を提案する。 提案するSGRは,参照情報の不要な汎用ブラインド品質評価手法である。
  論文  参考訳（メタデータ） (2022-08-31T02:42:55Z)
• BIMS-PU: Bi-Directional and Multi-Scale Point Cloud Upsampling [60.257912103351394]
  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。
  論文  参考訳（メタデータ） (2022-06-25T13:13:37Z)
• 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)
• Comprehensive Review of Deep Learning-Based 3D Point Cloud Completion Processing and Analysis [14.203228394483117]
  本研究の目的は、ポイントベース、畳み込みベース、グラフベース、生成モデルベースアプローチなど、様々な手法に関する包括的な調査を行うことである。 このレビューでは、よく使われるデータセットをまとめ、ポイントクラウド補完の応用について説明する。
  論文  参考訳（メタデータ） (2022-03-07T11:47:14Z)
• PU-Transformer: Point Cloud Upsampling Transformer [38.05362492645094]
  我々は、疎入力データから高密度高忠実点雲を生成することを目的とした点群アップサンプリングタスクに焦点をあてる。 具体的には,特徴表現における変換器の強みを活性化するために,多頭部自己注意構造の新しい変種を開発する。 我々は,従来のCNN手法と比較し,提案手法の優れた性能を示す。
  論文  参考訳（メタデータ） (2021-11-24T03:25:35Z)
• PU-Flow: a Point Cloud Upsampling Networkwith Normalizing Flows [58.96306192736593]
  本稿では,正規化フローを組み込んだPU-Flowについて述べる。 具体的には、重みが局所的な幾何学的文脈から適応的に学習される潜在空間において、アップサンプリング過程を点として定式化する。 提案手法は, 再現性, 近接精度, 計算効率の観点から, 最先端の深層学習手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-07-13T07:45:48Z)

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。