Fugu-MT 論文翻訳(概要): Cluster-Based Autoencoders for Volumetric Point Clouds

論文の概要: Cluster-Based Autoencoders for Volumetric Point Clouds

arxiv url: http://arxiv.org/abs/2211.01009v1
Date: Wed, 2 Nov 2022 10:14:10 GMT
ステータス: 処理完了
システム内更新日: 2022-11-03 13:39:50.633662
Title: Cluster-Based Autoencoders for Volumetric Point Clouds
Title（参考訳）: ボリュームポイントクラウドのためのクラスタベースオートエンコーダ
Authors: Stephan Antholzer and Martin Berger and Tobias Hell
Abstract要約: 本稿では,高解像度データを入力として許容するために,体積点雲のクラスタリングと再集合手法を提案する。また、ボリュームポイントクラウドのためのよく知られたFoldingNetに基づくオートエンコーダを提示する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Autoencoders allow to reconstruct a given input from a small set of parameters. However, the input size is often limited due to computational costs. We therefore propose a clustering and reassembling method for volumetric point clouds, in order to allow high resolution data as input. We furthermore present an autoencoder based on the well-known FoldingNet for volumetric point clouds and discuss how our approach can be utilized for blending between high resolution point clouds as well as for transferring a volumetric design/style onto a pointcloud while maintaining its shape.
Abstract（参考訳）: オートエンコーダは、与えられた入力を小さなパラメータセットから再構成することができる。しかし、入力サイズは計算コストによって制限されることが多い。そこで我々は,高解像度データを入力として許容するために,体積点雲のクラスタリングと再集合法を提案する。さらに,高分解能点雲に対するFoldingNetに基づくオートエンコーダを提案し,その形状を維持しながら,高分解能点雲間のブレンドや,ボリューム設計やスタイルをポイントクラウドに転送するために,我々のアプローチをどのように利用できるかについて議論した。

関連論文リスト

Point Cloud Compression with Implicit Neural Representations: A Unified Framework [54.119415852585306]
我々は幾何学と属性の両方を扱える先駆的なクラウド圧縮フレームワークを提案する。本フレームワークでは,2つの座標ベースニューラルネットワークを用いて,voxelized point cloudを暗黙的に表現する。本手法は,既存の学習手法と比較して,高い普遍性を示す。
論文参考訳（メタデータ） (2024-05-19T09:19:40Z)
DiffPMAE: Diffusion Masked Autoencoders for Point Cloud Reconstruction [4.535034562610469]
本稿では,DiffPMAEと呼ばれる自己教師型学習概念にインスパイアされた効果的なポイントクラウド再構築アーキテクチャを提案する。この再構成プロセスの性質により、DiffPMAEはポイントクラウド圧縮、アップサンプリング、完了を含む多くの関連する下流タスクに拡張できる。 DiffPMAEの性能は、検討された自動エンコーディングおよびダウンストリームタスクの期間において、多くの最先端手法を超越して検証する。
論文参考訳（メタデータ） (2023-12-06T05:39:00Z)
Lightweight super resolution network for point cloud geometry compression [34.42460388539782]
本稿では,軽量超解像ネットワークを利用して点雲形状を圧縮する手法を提案する。提案手法は,ポイントクラウドをベースポイントクラウドに分解し,元のポイントクラウドを再構築するパターンを含む。また,MPEG Cat1(Solid)とCat2データセットの圧縮性能について実験を行った。
論文参考訳（メタデータ） (2023-11-02T03:34:51Z)
MAPLE: Masked Pseudo-Labeling autoEncoder for Semi-supervised Point Cloud Action Recognition [160.49403075559158]
本稿では,Pseudo-Labeling autoEncoder (textbfMAPLE) フレームワークを提案する。特に、MAPLEのバックボーンとして、新規で効率的なtextbfDecoupled textbfspatial-textbftemporal TranstextbfFormer(textbfDestFormer)を設計する。 MAPLEは3つの公開ベンチマークにおいて優れた結果を得て、MSR-Action3の精度を8.08%向上させる。
論文参考訳（メタデータ） (2022-09-01T12:32:40Z)
SoftPool++: An Encoder-Decoder Network for Point Cloud Completion [93.54286830844134]
本稿では,ポイントクラウド完了作業のための新しい畳み込み演算子を提案する。提案した演算子は、最大プールやボキセル化操作を一切必要としない。提案手法は,低解像度・高解像度の形状仕上げにおける最先端性能を実現する。
論文参考訳（メタデータ） (2022-05-08T15:31:36Z)
Density-preserving Deep Point Cloud Compression [72.0703956923403]
本研究では,局所密度情報を保存する新しい深部クラウド圧縮手法を提案する。エンコーダはポイントをサンプリングし、ポイントワイドな特徴を学習し、デコーダはこれらの特徴を使ってポイントをサンプリングする。
論文参考訳（メタデータ） (2022-04-27T03:42:15Z)
Upsampling Autoencoder for Self-Supervised Point Cloud Learning [11.19408173558718]
人間のアノテーションを使わずに、ポイントクラウド学習のための自己教師付き事前学習モデルを提案する。アップサンプリング操作は、ポイントクラウドの高レベルセマンティック情報と低レベル幾何情報の両方を捕捉することをネットワークに促す。我々のUAEは、形状分類、部分分割、点雲アップサンプリングタスクにおいて、従来の最先端手法よりも優れています。
論文参考訳（メタデータ） (2022-03-21T07:20:37Z)
Revisiting Point Cloud Simplification: A Learnable Feature Preserving Approach [57.67932970472768]
MeshとPoint Cloudの単純化手法は、3Dモデルの複雑さを低減しつつ、視覚的品質と関連する健全な機能を維持することを目的としている。そこで本研究では,正解点の標本化を学習し,高速点雲の簡易化手法を提案する。提案手法は、入力空間から任意のユーザ定義の点数を選択し、視覚的知覚誤差を最小限に抑えるために、その位置を再配置するよう訓練されたグラフニューラルネットワークアーキテクチャに依存する。
論文参考訳（メタデータ） (2021-09-30T10:23:55Z)
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)

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。