論文の概要: PCDNF: Revisiting Learning-based Point Cloud Denoising via Joint Normal Filtering

• arxiv url: http://arxiv.org/abs/2209.00798v1
• Date: Fri, 2 Sep 2022 03:10:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-05 12:49:25.268606
• Title: PCDNF: Revisiting Learning-based Point Cloud Denoising via Joint Normal Filtering
• Title（参考訳）: PCDNF: 連成正規フィルタリングによる学習ベースポイントクラウドデノイングの再検討
• Authors: Zheng Liu, Sijing Zhan, Yaowu Zhao, Yuanyuan Liu, Renjie Chen, Ying He
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 10.411935152370136
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Recovering high quality surfaces from noisy point clouds, known as point cloud denoising, is a fundamental yet challenging problem in geometry processing. Most of the existing methods either directly denoise the noisy input or filter raw normals followed by updating point positions. Motivated by the essential interplay between point cloud denoising and normal filtering, we revisit point cloud denoising from a multitask perspective, and propose an end-to-end network, named PCDNF, to denoise point clouds via joint normal filtering. In particular, we introduce an auxiliary normal filtering task to help the overall network remove noise more effectively while preserving geometric features more accurately. In addition to the overall architecture, our network has two novel modules. On one hand, to improve noise removal performance, we design a shape-aware selector to construct the latent tangent space representation of the specific point by comprehensively considering the learned point and normal features and geometry priors. On the other hand, point features are more suitable for describing geometric details, and normal features are more conducive for representing geometric structures (e.g., sharp edges and corners). Combining point and normal features allows us to overcome their weaknesses. Thus, we design a feature refinement module to fuse point and normal features for better recovering geometric information. Extensive evaluations, comparisons, and ablation studies demonstrate that the proposed method outperforms state-of-the-arts for both point cloud denoising and normal filtering.
• Abstract（参考訳）: ノイズの多い点雲から高品質な表面を復元する点雲(point cloud denoising)は、幾何処理の根本的な問題である。 既存の手法のほとんどはノイズの入力を直接無視するか、生の正規化をフィルタリングし、ポイント位置を更新する。 マルチタスクの観点から点群を復調する点群を復調し,PCDNFと名づけられたエンドツーエンドのネットワークを提案し,接続正規フィルタリングにより点群を復調する。 特に,幾何的特徴をより正確に保存しながら,ネットワーク全体のノイズ除去を支援するための補助的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。 一方,ノイズ除去性能を向上させるため,学習点や正規特徴,形状を包括的に考慮し,特定の点の潜在接空間表現を構成する形状認識セレクタの設計を行った。 一方、点特徴は幾何学的詳細を記述するのに適しており、通常の特徴は幾何学的構造(例えば鋭い辺や角)を表現するのにより導出的である。 点と通常の特徴を組み合わせることで、弱点を克服できます。 そこで我々は,幾何情報をよりよく回復するために,点と通常の特徴を融合させる機能改良モジュールを設計する。 大規模な評価, 比較, アブレーション研究により, 提案手法は, 点群と正常なフィルタリングの両方において, 最先端の手法より優れていることを示した。

関連論文リスト

• Implicit Filtering for Learning Neural Signed Distance Functions from 3D Point Clouds [34.774577477968805]
  幾何学的詳細を保存しながら暗黙の場を滑らかにする非線形暗黙フィルタを提案する。 我々の新規性は、符号付き距離場の勾配で隣接する入力点によって曲面(ゼロレベル集合)をフィルタリングできることにある。 入力された原点雲を勾配に沿って移動させることで、提案した暗黙のフィルタリングを非ゼロレベル集合に拡張することができる。
  論文  参考訳（メタデータ） (2024-07-18T09:40:24Z)
• Mesh Denoising Transformer [104.5404564075393]
  Mesh Denoisingは、入力メッシュからノイズを取り除き、特徴構造を保存することを目的としている。 SurfaceFormerはTransformerベースのメッシュDenoisingフレームワークのパイオニアだ。 局所曲面記述子(Local Surface Descriptor)として知られる新しい表現は、局所幾何学的複雑さをキャプチャする。 Denoising Transformerモジュールは、マルチモーダル情報を受信し、効率的なグローバル機能アグリゲーションを実現する。
  論文  参考訳（メタデータ） (2024-05-10T15:27:43Z)
• Risk-optimized Outlier Removal for Robust 3D Point Cloud Classification [54.286437930350445]
  本稿では,各種ノイズによる点雲分類の課題について述べる。 本稿では,下流分類モデルのパワーを生かした革新的なポイントアウトリア浄化手法を提案する。 提案手法は, 多様な点雲の異常値を頑健にフィルタするだけでなく, 既存の点雲分類手法を大幅に強化する。
  論文  参考訳（メタデータ） (2023-07-20T13:47:30Z)
• Contrastive Learning for Joint Normal Estimation and Point Cloud Filtering [12.602645108896636]
  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。
  論文  参考訳（メタデータ） (2022-08-14T09:16:25Z)
• Refine-Net: Normal Refinement Neural Network for Noisy Point Clouds [36.414785147181995]
  ノイズの多い点雲の正確な正規性を予測するために,Refine-Netと呼ばれる正規化ネットワークを提案する。 本ネットワークは,複数の特徴表現から付加情報を抽出することにより,各点の初期正規性を洗練させるように設計されている。
  論文  参考訳（メタデータ） (2022-03-23T16:18:51Z)
• 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)
• PointAttN: You Only Need Attention for Point Cloud Completion [89.88766317412052]
  ポイント・クラウド・コンプリート(Point cloud completion)とは、部分的な3次元ポイント・クラウドから3次元の形状を完成させることである。 そこで我々は,kNNを除去するために,ポイントクラウドをポイント単位に処理する新しいニューラルネットワークを提案する。 提案するフレームワークであるPointAttNはシンプルで簡潔で効果的であり、3次元形状の構造情報を正確に捉えることができる。
  論文  参考訳（メタデータ） (2022-03-16T09:20:01Z)
• 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)
• OMNet: Learning Overlapping Mask for Partial-to-Partial Point Cloud Registration [31.108056345511976]
  OMNetは、部分から部分へのポイントクラウド登録のためのグローバル機能ベースの反復ネットワークです。 マスクを粗雑に学習し,重複しない領域を拒絶し,部分から部分への登録を同一形状の登録に変換する。
  論文  参考訳（メタデータ） (2021-03-01T11:59:59Z)
• Learning Graph-Convolutional Representations for Point Cloud Denoising [31.557988478764997]
  本稿では,学習ベースのポイントクラウド処理手法で発生する置換不変問題に対処可能なディープニューラルネットワークを提案する。 ネットワークは完全に畳み込み可能で、近傍グラフを動的に構築することで、機能の複雑な階層を構築することができる。 特に高騒音レベルと実LiDARスキャンで遭遇したような構造ノイズの存在の両方において堅牢である。
  論文  参考訳（メタデータ） (2020-07-06T08:11:28Z)
• Point2Mesh: A Self-Prior for Deformable Meshes [83.31236364265403]
  本稿では,入力点雲から表面メッシュを再構築する技術であるPoint2Meshを紹介する。 自己優先型は、ディープニューラルネットワークの重み内の単一の形状から幾何的繰り返しをカプセル化する。 ここでは,Point2Meshが所望の解に収束することを示す。
  論文  参考訳（メタデータ） (2020-05-22T10:01:04Z)

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。