論文の概要: Learning to Generate Realistic LiDAR Point Clouds

• arxiv url: http://arxiv.org/abs/2209.03954v1
• Date: Thu, 8 Sep 2022 17:58:04 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-09 13:14:28.187303
• Title: Learning to Generate Realistic LiDAR Point Clouds
• Title（参考訳）: リアルなLiDARポイントクラウドを生成するための学習
• Authors: Vlas Zyrianov, Xiyue Zhu, Shenlong Wang
• Abstract要約: LiDARGenは、現実的なLiDARポイントクラウドセンサ読み取りを生成する、新しく、効果的で、制御可能な生成モデルである。 我々は,KITTI-360とNuScenesのデータセットに挑戦する手法を検証する。
• 参考スコア（独自算出の注目度）: 15.976199637414886
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present LiDARGen, a novel, effective, and controllable generative model that produces realistic LiDAR point cloud sensory readings. Our method leverages the powerful score-matching energy-based model and formulates the point cloud generation process as a stochastic denoising process in the equirectangular view. This model allows us to sample diverse and high-quality point cloud samples with guaranteed physical feasibility and controllability. We validate the effectiveness of our method on the challenging KITTI-360 and NuScenes datasets. The quantitative and qualitative results show that our approach produces more realistic samples than other generative models. Furthermore, LiDARGen can sample point clouds conditioned on inputs without retraining. We demonstrate that our proposed generative model could be directly used to densify LiDAR point clouds. Our code is available at: https://www.zyrianov.org/lidargen/
• Abstract（参考訳）: 我々は,現実的なLiDARポイントクラウドセンサの読み取りを生成する,新しい,効果的かつ制御可能な生成モデルLiDARGenを提案する。 本手法は, 強力なスコアマッチングエネルギーベースモデルを用いて, 点雲生成過程を等角視の確率的変分過程として定式化する。 このモデルにより、多様で高品質なポイントクラウドサンプルを、物理的実現性と制御性を保証できる。 KITTI-360およびNuScenesデータセットに対する本手法の有効性を検証する。 定量的および定性的な結果は,本手法が他の生成モデルよりも現実的なサンプルを生成することを示している。 さらに、LiDARGenは、再トレーニングせずに入力に条件付けられた点雲をサンプリングすることができる。 提案する生成モデルがlidar点雲の密度化に直接利用できることを実証した。 私たちのコードは以下の通りです。

関連論文リスト

• UltraLiDAR: Learning Compact Representations for LiDAR Completion and Generation [51.443788294845845]
  我々は、シーンレベルのLiDAR補完、LiDAR生成、LiDAR操作のためのデータ駆動フレームワークであるUltraLiDARを提案する。 スパース点雲の表現を高密度点雲の表現に合わせることで、スパース点雲を密度化できることが示される。 個別のコードブック上で事前学習を行うことで、多種多様な現実的なLiDARポイントクラウドを自動走行のために生成できます。
  論文  参考訳（メタデータ） (2023-11-02T17:57:03Z)
• LiDAR Data Synthesis with Denoising Diffusion Probabilistic Models [1.1965844936801797]
  3D LiDARデータの生成モデリングは、自律移動ロボットに有望な応用をもたらす新たな課題である。 我々は,多種多様かつ高忠実な3Dシーンポイント雲を生成可能な,LiDARデータのための新しい生成モデルR2DMを提案する。 本手法は拡散確率モデル (DDPM) を用いて構築され, 生成モデルフレームワークにおいて顕著な結果が得られた。
  論文  参考訳（メタデータ） (2023-09-17T12:26:57Z)
• NeRF-LiDAR: Generating Realistic LiDAR Point Clouds with Neural Radiance Fields [20.887421720818892]
  実世界の情報を利用してリアルなLIDAR点雲を生成する新しいLiDARシミュレーション手法であるNeRF-LIDARを提案する。 我々は,生成したLiDAR点雲上で異なる3次元セグメンテーションモデルをトレーニングすることにより,NeRF-LiDARの有効性を検証する。
  論文  参考訳（メタデータ） (2023-04-28T12:41:28Z)
• StarNet: Style-Aware 3D Point Cloud Generation [82.30389817015877]
  StarNetは、マッピングネットワークを使用して高忠実度および3Dポイントクラウドを再構築し、生成することができる。 我々のフレームワークは、クラウドの再構築と生成タスクにおいて、様々なメトリクスで同等の最先端のパフォーマンスを達成します。
  論文  参考訳（メタデータ） (2023-03-28T08:21:44Z)
• Controllable Mesh Generation Through Sparse Latent Point Diffusion Models [105.83595545314334]
  メッシュ生成のための新しいスパース潜在点拡散モデルを設計する。 私たちの重要な洞察は、ポイントクラウドをメッシュの中間表現と見なし、代わりにポイントクラウドの分布をモデル化することです。 提案したスパース潜在点拡散モデルにより,生成品質と制御性において優れた性能が得られる。
  論文  参考訳（メタデータ） (2023-03-14T14:25:29Z)
• Learning to Simulate Realistic LiDARs [66.7519667383175]
  リアルLiDARセンサのデータ駆動シミュレーションのためのパイプラインを提案する。 本モデルでは, 透明表面上の落下点などの現実的な効果を符号化できることが示される。 我々は2つの異なるLiDARセンサのモデルを学習し、それに従ってシミュレーションされたLiDARデータを改善する。
  論文  参考訳（メタデータ） (2022-09-22T13:12:54Z)
• Representing Point Clouds with Generative Conditional Invertible Flow Networks [15.280751949071016]
  クラウド固有の確率分布から抽出したサンプルの集合として,点雲を表現するための簡易かつ効果的な方法を提案する。 提案手法は, 生成的非可逆フローネットワークを利用して埋め込みを学習し, 点雲を生成する。 私たちのモデルは、ベンチマークデータセット上で、競争力または優れた定量的結果を提供します。
  論文  参考訳（メタデータ） (2020-10-07T18:30:47Z)
• Learning Gradient Fields for Shape Generation [69.85355757242075]
  点雲は、その形状の表面に密度が集中している3D点の分布からサンプルと見なすことができる。 非正規化確率密度の勾配上昇を行うことで点雲を生成する。 本モデルは,ログ密度場の勾配を直接予測し,スコアベース生成モデルに適応した単純な目的で学習することができる。
  論文  参考訳（メタデータ） (2020-08-14T18:06:15Z)
• Generative PointNet: Deep Energy-Based Learning on Unordered Point Sets for 3D Generation, Reconstruction and Classification [136.57669231704858]
  エネルギーモデルを用いて, 点雲などの無秩序点集合の生成モデルを提案する。 我々はこのモデルをジェネレーティブ・ポイントネット(Generative PointNet)と呼んでいる。
  論文  参考訳（メタデータ） (2020-04-02T23:08:10Z)

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。