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: 翻訳完了
• 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

• Noise2Score3D: Tweedie's Approach for Unsupervised Point Cloud Denoising [0.0]
  ノイズ2Score3Dはノイズデータから直接基礎となる点雲分布のスコア関数を学習する。 本手法は,既存の教師なし手法の反復処理を回避するため,単一ステップでデノナイズを行う。
  論文  参考訳（メタデータ） (2025-03-12T11:28:04Z)
• Fast, Accurate Manifold Denoising by Tunneling Riemannian Optimization [4.597774455074727]
  未知の$d$-dimensional manifold $M からサンプリングされたノイズの多い新しいデータポイントを mathbbRD$ において、ノイズの多いサンプルのみを用いて効率よく分解する問題を考える。 本研究は「学習から学習へ」という概念を「学習から最適化へ」とフレーミングすることで、テスト時効率のよい多様体復調のための枠組みを提案する。
  論文  参考訳（メタデータ） (2025-02-24T04:02:16Z)
• Denoising-Aware Contrastive Learning for Noisy Time Series [35.97130925600067]
  時系列自己教師型学習(SSL)は、ラベルへの依存を軽減するために事前トレーニングのためにラベル付きデータを活用することを目的としている。 本稿では,表現中の雑音を軽減し,各サンプルに対して適切な復調法を自動選択するDenoising-Aware contrastive Learning (DECL)を提案する。
  論文  参考訳（メタデータ） (2024-06-07T04:27:32Z)
• Fine tuning Pre trained Models for Robustness Under Noisy Labels [34.68018860186995]
  トレーニングデータセットにノイズの多いラベルが存在することは、機械学習モデルのパフォーマンスに大きな影響を及ぼす可能性がある。 我々は、事前学習されたモデルの事前知識を頑健かつ効率的に伝達するTURNと呼ばれる新しいアルゴリズムを導入する。
  論文  参考訳（メタデータ） (2023-10-24T20:28:59Z)
• Unleashing the Power of Self-Supervised Image Denoising: A Comprehensive Review [7.387921606240273]
  ディープラーニングの出現は、画像装飾技術に革命的変革をもたらした。 実世界のシナリオにおける教師付き手法のためのノイズクリーンなペアの獲得という永続的な課題は、いまだに厳しいままである。 本稿では,効率的な解決策を提供する自己教師型画像認識手法に焦点を当てる。
  論文  参考訳（メタデータ） (2023-08-01T03:00:36Z)
• A Comparison of Image Denoising Methods [23.69991964391047]
  我々は、異なるアプリケーションのための合成データセットと実世界のデータセットの様々なデノベーション手法を比較した。 単純な行列に基づくアルゴリズムは, テンソルのアルゴリズムと比較して, 同様の結果が得られる可能性が示唆された。 近年の進歩にもかかわらず、既存の技術の欠点と拡張の可能性について論じる。
  論文  参考訳（メタデータ） (2023-04-18T13:41:42Z)
• Masked Image Training for Generalizable Deep Image Denoising [53.03126421917465]
  本稿では,デノナイジングネットワークの一般化性能を高めるための新しい手法を提案する。 提案手法では,入力画像のランダムなピクセルをマスキングし,学習中に欠落した情報を再構成する。 提案手法は,他のディープラーニングモデルよりも優れた一般化能力を示し,実世界のシナリオに直接適用可能である。
  論文  参考訳（メタデータ） (2023-03-23T09:33:44Z)
• Learning to adapt unknown noise for hyperspectral image denoising [47.211404580222855]
  重み付きネットワーク(HWnet)による重みの予測を提案する。 HWnetは、バイレベル最適化フレームワークにおけるいくつかのモデルベースのHSI記述法から、正確に学習されている。 大規模な実験により、提案されたHWnetは、異なる複雑なノイズを扱うためのHSIデノナイジングモデルの能力を向上させるのに大いに役立つことが確認された。
  論文  参考訳（メタデータ） (2022-12-09T03:28:07Z)
• 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)
• Improving Pre-trained Language Model Fine-tuning with Noise Stability Regularization [94.4409074435894]
  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)
• 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)
• Deep Learning on Image Denoising: An overview [92.07378559622889]
  画像認知におけるディープテクニックの比較研究を行っている。 まず、付加的な白色雑音画像に対して、深部畳み込みニューラルネットワーク(CNN)を分類する。 次に、定量的および定性的な分析の観点から、パブリック・デノゲーション・データセットの最先端の手法を比較した。
  論文  参考訳（メタデータ） (2019-12-31T05:03:57Z)

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。