論文の概要: Geometric and Learning-based Mesh Denoising: A Comprehensive Survey
- arxiv url: http://arxiv.org/abs/2209.00841v1
- Date: Fri, 2 Sep 2022 06:54:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-05 12:25:25.115044
- Title: Geometric and Learning-based Mesh Denoising: A Comprehensive Survey
- Title(参考訳): 幾何学的および学習に基づくメッシュ分類:包括的調査
- Authors: Honghua Chen, Mingqiang Wei, Jun Wang
- Abstract要約: メッシュデノイングはデジタル幾何学処理の基本的な問題である。
従来の幾何学的アプローチと最近の学習に基づく手法の両方を含むメッシュ認知の進歩を概観する。
- 参考スコア(独自算出の注目度): 17.652531757914
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Mesh denoising is a fundamental problem in digital geometry processing. It
seeks to remove surface noise, while preserving surface intrinsic signals as
accurately as possible. While the traditional wisdom has been built upon
specialized priors to smooth surfaces, learning-based approaches are making
their debut with great success in generalization and automation. In this work,
we provide a comprehensive review of the advances in mesh denoising, containing
both traditional geometric approaches and recent learning-based methods. First,
to familiarize readers with the denoising tasks, we summarize four common
issues in mesh denoising. We then provide two categorizations of the existing
denoising methods. Furthermore, three important categories, including
optimization-, filter-, and data-driven-based techniques, are introduced and
analyzed in detail, respectively. Both qualitative and quantitative comparisons
are illustrated, to demonstrate the effectiveness of the state-of-the-art
denoising methods. Finally, potential directions of future work are pointed out
to solve the common problems of these approaches. A mesh denoising benchmark is
also built in this work, and future researchers will easily and conveniently
evaluate their methods with the state-of-the-art approaches.
- Abstract(参考訳): メッシュデノイングはデジタル幾何学処理の基本的な問題である。
表面のノイズを除去し、表面固有の信号を可能な限り正確に保存する。
従来の知恵は、スムーズな表面への特別な先行の上に構築されてきたが、学習ベースのアプローチは、一般化と自動化において大きな成功を収めている。
本研究では,従来の幾何学的アプローチと最近の学習手法の両方を含むメッシュ認知の進歩を包括的にレビューする。
まず、読者にデノージングタスクを知ってもらうために、メッシュデノージングの一般的な4つの問題をまとめます。
次に、既存のdenoisingメソッドの2つの分類を提供する。
さらに、最適化、フィルタ、データ駆動ベースの技術を含む3つの重要なカテゴリを紹介し、詳細に分析する。
定性的および定量的な比較を行い,最先端の分別手法の有効性を示す。
最後に、これらのアプローチの共通問題を解くために、今後の研究の潜在的方向性が指摘される。
メッシュデノケーションベンチマークもこの作業で構築されており、将来の研究者は、最先端のアプローチでメソッドを簡単かつ便利に評価する。
関連論文リスト
- Practical Real Video Denoising with Realistic Degradation Model [86.98559320135824]
既存のビデオデノケーション手法では、ノイズの多いビデオはガウスノイズを加えることによってクリーンなビデオから劣化していると仮定するのが一般的である。
本研究では,異なるノイズタイプをランダムにシャッフルして合成実雑音分解モデルを提案し,デノナイジングモデルを訓練する。
我々の劣化モデルは、トレーニングデータと実世界のデータの分配ギャップを埋めるのに役立ちます。
論文 参考訳(メタデータ) (2022-08-25T00:09:18Z) - Robust Time Series Denoising with Learnable Wavelet Packet Transform [1.370633147306388]
多くのアプリケーションでは、後の分析や学習タスクの前に、信号の復号化が最初の前処理ステップであることが多い。
本稿では,ウェーブレットパケット変換の学習可能なバージョンである信号処理にインスパイアされたディープ・ラーニング・デノイング・モデルを適用することを提案する。
本稿では,提案アルゴリズムが信号処理手法の普遍性とディープラーニング手法の学習能力にどのように関係しているかを示す。
論文 参考訳(メタデータ) (2022-06-13T13:05:58Z) - Fine-tuning Pre-trained Language Models with Noise Stability
Regularization [111.3117112585139]
本稿では,LNSR(Layerwise Noise Stability Regularization)という,新規かつ効果的な微調整フレームワークを提案する。
具体的には、標準ガウス雑音を注入し、微調整モデルの隠れ表現を正規化することを提案する。
提案手法は,L2-SP,Mixout,SMARTなど他の最先端アルゴリズムよりも優れていることを示す。
論文 参考訳(メタデータ) (2022-06-12T04:42:49Z) - Deep Active Learning with Noise Stability [47.956819755671944]
ラベルのないデータの不確実性推定は、アクティブな学習に不可欠である。
単一学習型マルチ推論方式で、ノイズ安定性を利用してデータの不確実性を推定する新しいアルゴリズムを提案する。
本手法は,様々なタスクにおいて,最先端のアクティブラーニングベースラインを上回っている。
論文 参考訳(メタデータ) (2022-05-26T13:21:01Z) - Noise-Tolerant Learning for Audio-Visual Action Recognition [25.562433147510554]
最も広く使われているビデオデータセットはインターネットから収集され、必然的にノイズラベルとノイズ対応を含んでいる。
本稿では,雑音ラベルと雑音対応の両方に対する反干渉モデルパラメータを求めるための耐雑音学習フレームワークを提案する。
本手法は2つの位相からなり,モード間の固有相関により雑音を補正することを目的としている。
論文 参考訳(メタデータ) (2022-05-16T12:14:03Z) - 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) - IDR: Self-Supervised Image Denoising via Iterative Data Refinement [66.5510583957863]
本稿では,最先端のデノナイジング性能を実現するために,教師なしの実用的なデノナイジング手法を提案する。
本手法では, 1つのノイズ画像と1つのノイズモデルしか必要とせず, 実際の生画像に容易にアクセス可能である。
実世界のアプリケーションにおける生画像復調性能を評価するため,500シーンのシーンを含む高品質な生画像データセットSenseNoise-500を構築した。
論文 参考訳(メタデータ) (2021-11-29T07:22:53Z) - Removing Noise from Extracellular Neural Recordings Using Fully
Convolutional Denoising Autoencoders [62.997667081978825]
ノイズの多いマルチチャネル入力からクリーンなニューロン活動信号を生成することを学習する完全畳み込みデノイングオートエンコーダを提案する。
シミュレーションデータを用いた実験結果から,提案手法はノイズ崩壊型ニューラルネットワークの品質を大幅に向上させることができることがわかった。
論文 参考訳(メタデータ) (2021-09-18T14:51:24Z) - Solving Linear Inverse Problems Using the Prior Implicit in a Denoiser [7.7288480250888]
我々は、ディープニューラルネットワークにおける暗黙の事前利用のための堅牢で一般的な手法を開発した。
ブラインド(ノイズレベルが未知の)を訓練したCNNが提示される。
このアルゴリズムの制約サンプリングへの一般化は、任意の線形逆問題を解決するために暗黙の手法を提供する。
論文 参考訳(メタデータ) (2020-07-27T15:40:46Z) - Dual Adversarial Network: Toward Real-world Noise Removal and Noise
Generation [52.75909685172843]
実世界の画像ノイズ除去は、コンピュータビジョンにおける長年の課題である。
本稿では,ノイズ除去およびノイズ発生タスクに対処する新しい統合フレームワークを提案する。
本手法はクリーンノイズ画像対の連成分布を学習する。
論文 参考訳(メタデータ) (2020-07-12T09:16:06Z) - Noise2Inverse: Self-supervised deep convolutional denoising for
tomography [0.0]
Noise2Inverseは、線形画像再構成アルゴリズムのためのディープCNNに基づくDenoising法である。
そこで我々は,そのような学習がCNNを実際に獲得することを示す理論的枠組みを構築した。
シミュレーションCTデータセットにおいて、Noss2Inverseはピーク信号対雑音比と構造類似度指数の改善を示す。
論文 参考訳(メタデータ) (2020-01-31T12:50:24Z)
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。