論文の概要: GeoGCN: Geometric Dual-domain Graph Convolution Network for Point Cloud
Denoising
- arxiv url: http://arxiv.org/abs/2210.15913v1
- Date: Fri, 28 Oct 2022 05:48:57 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-31 16:14:12.320048
- Title: GeoGCN: Geometric Dual-domain Graph Convolution Network for Point Cloud
Denoising
- Title(参考訳): GeoGCN:Point Cloud Denoisingのための幾何学的デュアルドメイングラフ畳み込みネットワーク
- Authors: Zhaowei Chen, Peng Li, Zeyong Wei, Honghua Chen, Haoran Xie, Mingqiang
Wei, Fu Lee Wang
- Abstract要約: 点雲復調(PCD)のための新しい幾何学的二領域グラフ畳み込みネットワークGeoGCNを提案する。
1つは実正規 (RN) であり、もう1つは仮想正規 (VN) である。
RNはノイズの多い点雲の局所的な詳細を保存し、VNはノイズ発生時の大域的な形状の収縮を避ける。
実験により、GeoGCNはノイズロス性および局所的・局所的特徴保存の両方の観点からSOTAよりも優れていることが確認された。
- 参考スコア(独自算出の注目度): 19.760328029520405
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We propose GeoGCN, a novel geometric dual-domain graph convolution network
for point cloud denoising (PCD). Beyond the traditional wisdom of PCD, to fully
exploit the geometric information of point clouds, we define two kinds of
surface normals, one is called Real Normal (RN), and the other is Virtual
Normal (VN). RN preserves the local details of noisy point clouds while VN
avoids the global shape shrinkage during denoising. GeoGCN is a new PCD
paradigm that, 1) first regresses point positions by spatialbased GCN with the
help of VNs, 2) then estimates initial RNs by performing Principal Component
Analysis on the regressed points, and 3) finally regresses fine RNs by
normalbased GCN. Unlike existing PCD methods, GeoGCN not only exploits two
kinds of geometry expertise (i.e., RN and VN) but also benefits from training
data. Experiments validate that GeoGCN outperforms SOTAs in terms of both
noise-robustness and local-and-global feature preservation.
- Abstract(参考訳): 点雲デノイング(PCD)のための新しい幾何学的二領域グラフ畳み込みネットワークGeoGCNを提案する。
PCDの伝統的な知恵の他に、点雲の幾何学的情報を完全に活用するために、我々は2種類の曲面正規 (Real Normal, RN) を定義し、もう1つは仮想正規 (Virtual Normal, VN) である。
RNはノイズの多い点雲の局所的な詳細を保存し、VNはノイズ発生時の大域的な形状の収縮を避ける。
GeoGCNは、新しいPCDパラダイムである。
1) VNの助けを借りて, 空間ベースGCNによる点位置の回帰を行う。
2) 後続点の主成分分析により初期RNを推定し,
3) 最終的に正常なGCNにより微細なRNを後退させる。
既存のPCD法とは異なり、GeoGCNは2種類の幾何学的専門知識(RNとVN)を利用するだけでなく、トレーニングデータの利点も活用している。
実験により、GeoGCNはノイズロス性と局所的・局所的特徴保存の両方の観点からSOTAよりも優れていた。
関連論文リスト
- Towards General-Purpose Representation Learning of Polygonal Geometries [62.34832826705641]
我々は,多角形形状を埋め込み空間に符号化できる汎用多角形符号化モデルを開発した。
1)MNISTに基づく形状分類,2)DBSR-46KとDBSR-cplx46Kという2つの新しいデータセットに基づく空間関係予測を行う。
以上の結果から,NUFTspec と ResNet1D は,既存のベースラインよりも有意なマージンで優れていた。
論文 参考訳(メタデータ) (2022-09-29T15:59:23Z) - pathGCN: Learning General Graph Spatial Operators from Paths [9.539495585692007]
グラフ上のランダムパスから空間演算子を学習するための新しい手法であるpathGCNを提案する。
多数のデータセットに対する実験から,空間的および点的畳み込みを適切に学習することにより,過度なスムーシングのような現象は本質的に避けられることが示唆された。
論文 参考訳(メタデータ) (2022-07-15T11:28:11Z) - R-GCN: The R Could Stand for Random [2.221251076371994]
Random Convolutional Network (RR-GCN) は知識グラフ上のノードへの埋め込みを構築する。
RR-GCNはノード分類とリンク予測設定の両方において完全に訓練されたR-GCNと競合できることを示す。
論文 参考訳(メタデータ) (2022-03-04T16:55:25Z) - WGCN: Graph Convolutional Networks with Weighted Structural Features [25.64794159605137]
グラフ畳み込みネットワーク(GCN)は、構造情報をキャプチャしてノードの表現を学習する。
WGCNという重み付き構造を有するGCNモデルを提案する。
実験の結果、WGCNは5つのベンチマークデータセットの精度において、ベースラインモデルを最大17.07%向上させることがわかった。
論文 参考訳(メタデータ) (2021-04-29T00:50:06Z) - Tackling Over-Smoothing for General Graph Convolutional Networks [88.71154017107257]
一般的なGCNは、GCN, GCN with bias, ResGCN, APPNPを含む深度の増加とともにどのように振る舞うかを検討する。
そこで我々はDropEdgeを提案し,各トレーニングエポックにおいて一定数のエッジをランダムに除去することで過度なスムース化を緩和する。
論文 参考訳(メタデータ) (2020-08-22T16:14:01Z) - AM-GCN: Adaptive Multi-channel Graph Convolutional Networks [85.0332394224503]
グラフ畳み込みネットワーク(GCN)は,豊富な情報を持つ複雑なグラフにおいて,ノードの特徴と位相構造を最適に統合できるかどうかを検討する。
半教師付き分類(AM-GCN)のための適応型マルチチャネルグラフ畳み込みネットワークを提案する。
実験の結果,AM-GCNはノードの特徴とトポロジ的構造の両方から最も相関性の高い情報を抽出することがわかった。
論文 参考訳(メタデータ) (2020-07-05T08:16:03Z) - Simple and Deep Graph Convolutional Networks [63.76221532439285]
グラフ畳み込みネットワーク(GCN)は、グラフ構造化データに対する強力なディープラーニングアプローチである。
その成功にもかかわらず、現在のGCNモデルは、エムの過度に滑らかな問題のため、ほとんどが浅くなっている。
本稿では,2つの単純かつ効果的な手法を用いて,バニラGCNモデルを拡張したGCNIIを提案する。
論文 参考訳(メタデータ) (2020-07-04T16:18:06Z) - Investigating and Mitigating Degree-Related Biases in Graph
Convolutional Networks [62.8504260693664]
グラフ畳み込みネットワーク(GCN)は、グラフ上の半教師付き学習タスクに対して有望な結果を示す。
本稿では,ノード次数分布に関するGCNを解析する。
本稿では,GCNの次数バイアスを緩和する自己監督型DegreeSpecific GCN(SL-DSGC)を開発した。
論文 参考訳(メタデータ) (2020-06-28T16:26:47Z) - Unifying Graph Convolutional Neural Networks and Label Propagation [73.82013612939507]
LPAとGCNの関係を特徴・ラベルの平滑化と特徴・ラベルの影響の2点の観点から検討した。
理論解析に基づいて,ノード分類のためのGCNとLCAを統一するエンドツーエンドモデルを提案する。
我々のモデルは、既存の特徴に基づく注目モデルよりもタスク指向のノードラベルに基づく学習注意重みと見なすこともできる。
論文 参考訳(メタデータ) (2020-02-17T03:23:13Z) - Generalization and Representational Limits of Graph Neural Networks [46.20253808402385]
ローカル情報に完全に依存するグラフニューラルネットワーク(GNN)では,いくつかの重要なグラフ特性を計算できないことを示す。
メッセージパッシングGNNに対する最初のデータ依存一般化境界を提供する。
私たちのバウンダリは、既存のVC次元ベースのGNN保証よりもはるかに厳格で、リカレントニューラルネットワークのRademacherバウンダリと同等です。
論文 参考訳(メタデータ) (2020-02-14T18:10:14Z)
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。