論文の概要: PCQA-GRAPHPOINT: Efficients Deep-Based Graph Metric For Point Cloud Quality Assessment

• arxiv url: http://arxiv.org/abs/2211.02459v1
• Date: Fri, 4 Nov 2022 13:45:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-07 17:20:10.187228
• Title: PCQA-GRAPHPOINT: Efficients Deep-Based Graph Metric For Point Cloud Quality Assessment
• Title（参考訳）: PCQA-GRAPHPOINT: ポイントクラウド品質評価のためのディープベースグラフメトリクスの有効性
• Authors: Marouane Tliba, Aladine Chetouani, Giuseppe Valenzise and Frederic Dufaux
• Abstract要約: 3Dポイントクラウド(PC)は、3D視覚情報を表示するための有望なソリューションであり、効果的な手段である。 本稿では、グラフニューラルネットワーク(GNN)を用いた固有の局所的依存関係の学習による、ポイントクラウドの品質評価のための、新規で効率的な客観的指標を提案する。 その結果、最先端のメトリクスと比較して、ソリューションの有効性と信頼性が示された。
• 参考スコア（独自算出の注目度）: 11.515951211296361
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Following the advent of immersive technologies and the increasing interest in representing interactive geometrical format, 3D Point Clouds (PC) have emerged as a promising solution and effective means to display 3D visual information. In addition to other challenges in immersive applications, objective and subjective quality assessments of compressed 3D content remain open problems and an area of research interest. Yet most of the efforts in the research area ignore the local geometrical structures between points representation. In this paper, we overcome this limitation by introducing a novel and efficient objective metric for Point Clouds Quality Assessment, by learning local intrinsic dependencies using Graph Neural Network (GNN). To evaluate the performance of our method, two well-known datasets have been used. The results demonstrate the effectiveness and reliability of our solution compared to state-of-the-art metrics.
• Abstract（参考訳）: 没入型技術の出現とインタラクティブな幾何学形式への関心の高まりに続き、3Dポイント・クラウド(PC)は3D視覚情報を表示するための有望なソリューションであり、効果的な手段である。 没入型アプリケーションにおける他の課題に加えて、圧縮された3Dコンテンツの客観的および主観的な品質評価は、未解決の問題と研究分野に留まっている。 しかし、研究領域での努力の大部分は、点表現間の局所幾何学的構造を無視している。 本稿では,グラフニューラルネットワーク(gnn)を用いた局所的固有依存関係の学習により,ポイントクラウドの品質評価のための新しい効率的な客観的指標を導入することで,この限界を克服する。 提案手法の性能を評価するために,2つのよく知られたデータセットを用いた。 その結果,最先端のメトリクスと比較して,ソリューションの有効性と信頼性が示された。

関連論文リスト

• Self-Supervised Scene Flow Estimation with Point-Voxel Fusion and Surface Representation [30.355128117680444]
  シーンフロー推定は、点雲の2つの連続するフレーム間の点の3次元運動場を生成することを目的としている。 既存の点ベースの手法は点雲の不規則性を無視し、長距離依存を捉えるのが困難である。 本稿では,分散グリッドアテンションとシフトウインドウ戦略に基づくボクセルブランチを用いて,長距離依存性を捕捉するポイントボクセル融合法を提案する。
  論文  参考訳（メタデータ） (2024-10-17T09:05:15Z)
• Edge Aware Learning for 3D Point Cloud [8.12405696290333]
  本稿では,階層型エッジ対応3Dポイントクラウドラーニング(HEA-Net)における革新的なアプローチを提案する。 ポイントクラウドデータにおけるノイズの課題に対処し、エッジ機能に注目してオブジェクト認識とセグメンテーションを改善することを目指している。 我々は,ポイントクラウドの分類とセグメンテーションを強化するために,革新的なエッジアウェアラーニング手法を提案する。
  論文  参考訳（メタデータ） (2023-09-23T20:12:32Z)
• MM-PCQA: Multi-Modal Learning for No-reference Point Cloud Quality Assessment [32.495387943305204]
  マルチモーダル方式で,新しい非参照点クラウド品質評価(NR-PCQA)指標を提案する。 具体的には、点雲を部分モデルに分割し、点シフトやダウンサンプリングのような局所的な幾何学的歪みを表す。 目標を達成するために、サブモデルと投影された画像は、ポイントベースおよびイメージベースニューラルネットワークで符号化される。
  論文  参考訳（メタデータ） (2022-09-01T06:11:12Z)
• Blind Quality Assessment of 3D Dense Point Clouds with Structure Guided Resampling [71.68672977990403]
  本研究では,3次元高密度点雲の知覚的視覚的品質を自動評価するために,Structure Guided Resampling (SGR) を用いた客観的点雲品質指標を提案する。 提案するSGRは,参照情報の不要な汎用ブラインド品質評価手法である。
  論文  参考訳（メタデータ） (2022-08-31T02:42:55Z)
• AGO-Net: Association-Guided 3D Point Cloud Object Detection Network [86.10213302724085]
  ドメイン適応によるオブジェクトの無傷な特徴を関連付ける新しい3D検出フレームワークを提案する。 我々は,KITTIの3D検出ベンチマークにおいて,精度と速度の両面で最新の性能を実現する。
  論文  参考訳（メタデータ） (2022-08-24T16:54:38Z)
• Learning-based Point Cloud Registration for 6D Object Pose Estimation in the Real World [55.7340077183072]
  我々は、ポイントクラウドデータからオブジェクトの6Dポーズを推定するタスクに取り組む。 この課題に対処する最近の学習ベースのアプローチは、合成データセットにおいて大きな成功を収めている。 これらの障害の原因を分析し、ソースとターゲットポイントの雲の特徴分布の違いに遡る。
  論文  参考訳（メタデータ） (2022-03-29T07:55:04Z)
• PointAttN: You Only Need Attention for Point Cloud Completion [89.88766317412052]
  ポイント・クラウド・コンプリート(Point cloud completion)とは、部分的な3次元ポイント・クラウドから3次元の形状を完成させることである。 そこで我々は,kNNを除去するために,ポイントクラウドをポイント単位に処理する新しいニューラルネットワークを提案する。 提案するフレームワークであるPointAttNはシンプルで簡潔で効果的であり、3次元形状の構造情報を正確に捉えることができる。
  論文  参考訳（メタデータ） (2022-03-16T09:20:01Z)
• PC-RGNN: Point Cloud Completion and Graph Neural Network for 3D Object Detection [57.49788100647103]
  LiDARベースの3Dオブジェクト検出は、自動運転にとって重要なタスクです。 現在のアプローチでは、遠方および閉ざされた物体の偏りと部分的な点雲に苦しむ。 本稿では,この課題を2つの解決法で解決する新しい二段階アプローチ,pc-rgnnを提案する。
  論文  参考訳（メタデータ） (2020-12-18T18:06:43Z)
• InfoFocus: 3D Object Detection for Autonomous Driving with Dynamic Information Modeling [65.47126868838836]
  動的情報モデリングを用いた新しい3次元オブジェクト検出フレームワークを提案する。 粗い予測は、ボクセルベースの領域提案ネットワークを介して第1段階で生成される。 大規模なnuScenes 3D検出ベンチマークで実験を行った。
  論文  参考訳（メタデータ） (2020-07-16T18:27:08Z)

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。