論文の概要: LBF:Learnable Bilateral Filter For Point Cloud Denoising
- arxiv url: http://arxiv.org/abs/2210.15950v1
- Date: Fri, 28 Oct 2022 07:13:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-31 16:25:14.124743
- Title: LBF:Learnable Bilateral Filter For Point Cloud Denoising
- Title(参考訳): LBF:ポイントクラウド復調のためのLearnable Bilateral Filter
- Authors: Huajian Si, Zeyong Wei, Zhe Zhu, Honghua Chen, Dong Liang, Weiming
Wang, Mingqiang Wei
- Abstract要約: LBF(Land-to-end learnablelateral filtering network for point cloud denoising)を提案する。
従来のBFとは異なり、LBFはその幾何学的特徴に従って各点の適応パラメータを学習する。
実験では、合成データセットと実スキャンデータセットの両方で競合するLBFが明らかに改善されている。
- 参考スコア(独自算出の注目度): 14.365535300129297
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Bilateral filter (BF) is a fast, lightweight and effective tool for image
denoising and well extended to point cloud denoising. However, it often
involves continual yet manual parameter adjustment; this inconvenience
discounts the efficiency and user experience to obtain satisfied denoising
results. We propose LBF, an end-to-end learnable bilateral filtering network
for point cloud denoising; to our knowledge, this is the first time. Unlike the
conventional BF and its variants that receive the same parameters for a whole
point cloud, LBF learns adaptive parameters for each point according its
geometric characteristic (e.g., corner, edge, plane), avoiding remnant noise,
wrongly-removed geometric details, and distorted shapes. Besides the learnable
paradigm of BF, we have two cores to facilitate LBF. First, different from the
local BF, LBF possesses a global-scale feature perception ability by exploiting
multi-scale patches of each point. Second, LBF formulates a geometry-aware
bi-directional projection loss, leading the denoising results to being faithful
to their underlying surfaces. Users can apply our LBF without any laborious
parameter tuning to achieve the optimal denoising results. Experiments show
clear improvements of LBF over its competitors on both synthetic and
real-scanned datasets.
- Abstract(参考訳): バイラテラルフィルタ (BF) は、高速で軽量で効果的な画像デノイングツールであり、ポイントクラウドデノイングまで十分に拡張されている。
しかし、これは連続的かつ手動的なパラメータ調整を伴うことが多く、この不便さによって効率とユーザエクスペリエンスが低下し、満足な認知結果が得られる。
我々は,ポイントクラウドを問うエンドツーエンド学習可能なバイラテラルフィルタリングネットワークであるlmfを提案する。
従来のBFと異なり、LBFはその幾何学的特徴(例えば、角、端、平面)に基づいて各点の適応的パラメータを学習し、残響ノイズを避け、誤って取り除かれた幾何学的詳細と歪んだ形状を学習する。
BFの学習可能なパラダイムに加えて、LBFを促進するための2つのコアがあります。
第一に、局部bfと異なり、lbfは各点のマルチスケールパッチを活用し、グローバルな特徴知覚能力を有する。
第二に、LBFは幾何学的に認識された双方向の射影損失を定式化し、デノイングの結果は基礎となる表面に忠実である。
ユーザは無駄なパラメータチューニングを使わずにLBFを適用でき、最適な denoising 結果が得られます。
実験では、合成データセットと実スキャンデータセットの両方で競合するLBFが明らかに改善されている。
関連論文リスト
- Perception-Oriented Video Frame Interpolation via Asymmetric Blending [20.0024308216849]
ビデオフレーム補間(VFI)の従来の手法は、特にぼやけやゴースト効果の顕在化といった問題に直面している。
本稿では,これらの課題を軽減するためにPerVFI(Perception-oriented Video Frame Interpolation)を提案する。
実験により,PerVFIの優位性が検証され,既存の手法に比べて知覚品質が有意に向上した。
論文 参考訳(メタデータ) (2024-04-10T02:40:17Z) - Advancing Unsupervised Low-light Image Enhancement: Noise Estimation, Illumination Interpolation, and Self-Regulation [55.07472635587852]
低光画像強調(LLIE)技術は、画像の詳細の保存とコントラストの強化に顕著な進歩をもたらした。
これらのアプローチは、動的ノイズを効率的に緩和し、様々な低照度シナリオを収容する上で、永続的な課題に直面する。
まず,低照度画像の雑音レベルを迅速かつ高精度に推定する方法を提案する。
次に、照明と入力の一般的な制約を満たすために、Learningable Illumination Interpolator (LII) を考案する。
論文 参考訳(メタデータ) (2023-05-17T13:56:48Z) - Exploring Efficient Asymmetric Blind-Spots for Self-Supervised Denoising in Real-World Scenarios [44.31657750561106]
実世界のシナリオにおけるノイズはしばしば空間的に相関しており、多くの自己教師型アルゴリズムは性能が良くない。
盲点サイズを自由に調整できる非対称可変ブラインド・スポットネットワーク(AT-BSN)を提案する。
提案手法は最先端技術を実現し,計算オーバーヘッドや視覚効果の観点から,他の自己教師付き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) (2023-03-29T15:19:01Z) - N2V2 -- Fixing Noise2Void Checkerboard Artifacts with Modified Sampling
Strategies and a Tweaked Network Architecture [66.03918859810022]
我々は,バニラN2V装置に2つの改良を加えて,不要なアーティファクトを大幅に削減する。
我々は、顕微鏡および自然画像データに基づいて、その修正を検証した。
論文 参考訳(メタデータ) (2022-11-15T21:12:09Z) - Frequency-Aware Self-Supervised Monocular Depth Estimation [41.97188738587212]
自己教師付き単眼深度推定モデルを改善するための2つの多目的手法を提案する。
本手法の高一般化性は,測光損失関数の基本的およびユビキタスな問題を解くことによって達成される。
我々は、解釈可能な解析で深度推定器を改善するために、初めてぼやけた画像を提案する。
論文 参考訳(メタデータ) (2022-10-11T14:30:26Z) - Learning Task-Oriented Flows to Mutually Guide Feature Alignment in
Synthesized and Real Video Denoising [137.5080784570804]
Video Denoisingは、クリーンなノイズを回復するためにビデオからノイズを取り除くことを目的としている。
既存の研究によっては、近辺のフレームから追加の空間的時間的手がかりを利用することで、光学的流れがノイズ発生の助けとなることが示されている。
本稿では,様々なノイズレベルに対してより堅牢なマルチスケール光フロー誘導型ビデオデノイング法を提案する。
論文 参考訳(メタデータ) (2022-08-25T00:09:18Z) - Thunder: Thumbnail based Fast Lightweight Image Denoising Network [92.9631117239565]
textbfThumbtextbfnail ベースの textbfDtextbfenoising Netwotextbfrk called Thunder が提案されている。
論文 参考訳(メタデータ) (2022-05-24T06:38:46Z) - 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) - Dual Spoof Disentanglement Generation for Face Anti-spoofing with Depth
Uncertainty Learning [54.15303628138665]
フェース・アンチ・スプーフィング(FAS)は、顔認識システムが提示攻撃を防ぐ上で重要な役割を担っている。
既存のフェース・アンチ・スプーフィング・データセットは、アイデンティティと重要なばらつきが不十分なため、多様性を欠いている。
我々は「生成によるアンチ・スプーフィング」によりこの問題に対処するデュアル・スポット・ディアンタングメント・ジェネレーション・フレームワークを提案する。
論文 参考訳(メタデータ) (2021-12-01T15:36:59Z) - Learning Model-Blind Temporal Denoisers without Ground Truths [46.778450578529814]
合成データで訓練されたデノイザーは、未知のノイズの多様性に対処できないことが多い。
従来の画像ベース手法は、ビデオデノイザに直接適用した場合、ノイズが過度に収まる。
本稿では,これらの課題に対処する上で有効な,ビデオ・デノベーション・ネットワークの汎用フレームワークを提案する。
論文 参考訳(メタデータ) (2020-07-07T07:19:48Z)
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。