論文の概要: Point Cloud Upsampling via Cascaded Refinement Network

• arxiv url: http://arxiv.org/abs/2210.03942v1
• Date: Sat, 8 Oct 2022 07:09:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-11 17:22:13.078512
• Title: Point Cloud Upsampling via Cascaded Refinement Network
• Title（参考訳）: カスケードリファインメントネットワークによるポイントクラウドアップサンプリング
• Authors: Hang Du, Xuejun Yan, Jingjing Wang, Di Xie, Shiliang Pu
• Abstract要約: 粗い方法で点雲をサンプリングすることは、まともな解決法である。 既存の粗大なアップサンプリング手法では、追加のトレーニング戦略が必要となる。 本稿では,単純だが効果的なカスケード改良ネットワークを提案する。
• 参考スコア（独自算出の注目度）: 39.79759035338819
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Point cloud upsampling focuses on generating a dense, uniform and proximity-to-surface point set. Most previous approaches accomplish these objectives by carefully designing a single-stage network, which makes it still challenging to generate a high-fidelity point distribution. Instead, upsampling point cloud in a coarse-to-fine manner is a decent solution. However, existing coarse-to-fine upsampling methods require extra training strategies, which are complicated and time-consuming during the training. In this paper, we propose a simple yet effective cascaded refinement network, consisting of three generation stages that have the same network architecture but achieve different objectives. Specifically, the first two upsampling stages generate the dense but coarse points progressively, while the last refinement stage further adjust the coarse points to a better position. To mitigate the learning conflicts between multiple stages and decrease the difficulty of regressing new points, we encourage each stage to predict the point offsets with respect to the input shape. In this manner, the proposed cascaded refinement network can be easily optimized without extra learning strategies. Moreover, we design a transformer-based feature extraction module to learn the informative global and local shape context. In inference phase, we can dynamically adjust the model efficiency and effectiveness, depending on the available computational resources. Extensive experiments on both synthetic and real-scanned datasets demonstrate that the proposed approach outperforms the existing state-of-the-art methods.
• Abstract（参考訳）: ポイントクラウドアップサンプリングは、密度が高く、均一で、表面への近接点集合を生成することに焦点を当てている。 従来のアプローチでは、単一ステージネットワークを慎重に設計することで、これらの目的を達成している。 代わりに、粗雑な方法でポイントクラウドをサンプリングすることは、まともなソリューションです。 しかし、既存の粗大なアップサンプリング手法は、トレーニング中に複雑で時間がかかる追加のトレーニング戦略を必要とする。 本稿では,同一のネットワークアーキテクチャを持つが,異なる目的を達成できる3つの世代からなる,シンプルで効果的なカスケード改良ネットワークを提案する。 特に、最初の2つのアップサンプリング段階は、密だが粗い点を徐々に生成し、最後の精製段階はさらに粗い点をより良い位置に調整する。 複数段階間の学習対立を緩和し,新たな点の回帰の難しさを軽減するため,各段階が入力形状に関する点オフセットを予測することを推奨する。 このようにして、提案するカスケード改良ネットワークは、余分な学習戦略なしで容易に最適化できる。 さらに,グローバルおよび局所的な形状コンテキストを学習するために,トランスベース特徴抽出モジュールを設計した。 推論フェーズでは、利用可能な計算資源に応じてモデルの有効性と効率を動的に調整できる。 合成データと実データの両方に関する広範な実験は、提案手法が既存の最先端手法よりも優れていることを示している。

関連論文リスト

• Curvature Informed Furthest Point Sampling [0.0]
  ファテスト点サンプリング(FPS)を強化する強化学習に基づくサンプリングアルゴリズムを提案する。 提案手法は,FPS由来のソフトランクと深部ニューラルネットワークによる曲率スコアを組み合わせることで,ポイントをランク付けする。 我々は,各特徴が性能に与える影響について,質的および定量的に考察した総合的アブレーション研究を提供する。
  論文  参考訳（メタデータ） (2024-11-25T23:58:38Z)
• Arbitrary-Scale Point Cloud Upsampling by Voxel-Based Network with Latent Geometric-Consistent Learning [52.825441454264585]
  Voxel-based Network (textbfPU-VoxelNet) を用いた任意のスケールのクラウド・アップサンプリング・フレームワークを提案する。 ボクセル表現から継承された完全性と規則性により、ボクセルベースのネットワークは3次元表面を近似する事前定義されたグリッド空間を提供することができる。 密度誘導グリッド再サンプリング法を開発し、高忠実度点を生成するとともに、サンプリング出力を効果的に回避する。
  論文  参考訳（メタデータ） (2024-03-08T07:31:14Z)
• 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)
• SPU-Net: Self-Supervised Point Cloud Upsampling by Coarse-to-Fine Reconstruction with Self-Projection Optimization [52.20602782690776]
  実際のスキャンされたスパースデータからトレーニング用の大規模なペアリングスパーススキャンポイントセットを得るのは高価で面倒です。 本研究では,SPU-Net と呼ばれる自己監視型点群アップサンプリングネットワークを提案する。 本研究では,合成データと実データの両方について様々な実験を行い,最先端の教師付き手法と同等の性能が得られることを示す。
  論文  参考訳（メタデータ） (2020-12-08T14:14:09Z)
• Deep Magnification-Flexible Upsampling over 3D Point Clouds [103.09504572409449]
  本稿では,高密度点雲を生成するためのエンドツーエンド学習ベースのフレームワークを提案する。 まずこの問題を明示的に定式化し、重みと高次近似誤差を判定する。 そこで我々は,高次改良とともに,統一重みとソート重みを適応的に学習する軽量ニューラルネットワークを設計する。
  論文  参考訳（メタデータ） (2020-11-25T14:00:18Z)

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。