論文の概要: Energy-Based Residual Latent Transport for Unsupervised Point Cloud
Completion
- arxiv url: http://arxiv.org/abs/2211.06820v1
- Date: Sun, 13 Nov 2022 05:16:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-15 18:15:09.481766
- Title: Energy-Based Residual Latent Transport for Unsupervised Point Cloud
Completion
- Title(参考訳): 無監督点雲完了のためのエネルギーベース残留遅延輸送
- Authors: Ruikai Cui, Shi Qiu, Saeed Anwar, Jing Zhang, Nick Barnes
- Abstract要約: 教師なしの点雲完了は、部分完全対応を必要とせず、部分的対象観測の全体像を推測することを目的としている。
本稿では, 部分的な形状の符号化を潜在トランスポートモジュールを用いて完全な形状に変換することで, 完了を実現する新しいフレームワークを提案する。
実験により,提案手法は高い忠実度を達成し,最先端モデルよりも有意なマージンを達成できることを示した。
- 参考スコア(独自算出の注目度): 39.102570189978934
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Unsupervised point cloud completion aims to infer the whole geometry of a
partial object observation without requiring partial-complete correspondence.
Differing from existing deterministic approaches, we advocate generative
modeling based unsupervised point cloud completion to explore the missing
correspondence. Specifically, we propose a novel framework that performs
completion by transforming a partial shape encoding into a complete one using a
latent transport module, and it is designed as a latent-space energy-based
model (EBM) in an encoder-decoder architecture, aiming to learn a probability
distribution conditioned on the partial shape encoding. To train the latent
code transport module and the encoder-decoder network jointly, we introduce a
residual sampling strategy, where the residual captures the domain gap between
partial and complete shape latent spaces. As a generative model-based
framework, our method can produce uncertainty maps consistent with human
perception, leading to explainable unsupervised point cloud completion. We
experimentally show that the proposed method produces high-fidelity completion
results, outperforming state-of-the-art models by a significant margin.
- Abstract(参考訳): 教師なしの点雲完了は、部分完全対応を必要としない部分的対象観測の全体像を推測することを目的としている。
既存の決定論的アプローチとは違って、生成モデリングに基づく教師なしの点雲の完備化を提唱する。
具体的には,部分的な形状の符号化を潜在輸送モジュールを用いて完全な形状に変換し,エンコーダ・デコーダアーキテクチャにおける潜在空間エネルギーベースモデル(EBM)として設計し,部分的な形状の符号化を条件とした確率分布の学習を目的とする。
潜在コードトランスポートモジュールとエンコーダ-デコーダネットワークを共同で訓練するために,残差が部分空間と完全形状潜在空間の間の領域ギャップをキャプチャする残差サンプリング戦略を導入する。
生成モデルに基づくフレームワークとして,本手法は人間の知覚に整合した不確実性マップを生成することができる。
提案手法が精度の高い完成結果をもたらすことを実験的に示し,最先端モデルを有意なマージンで上回った。
関連論文リスト
- SPAC-Net: Rethinking Point Cloud Completion with Structural Prior [17.334882020068697]
ポイント雲の完成は、その部分的な観測から完全な形状を推測することを目的としている。
多くのアプローチは純粋なエンコーダデコーダパラダイムを利用しており、部分スキャンから学習した形状の先行によって完全な形状を直接予測することができる。
本研究では,新しい構造的事前指導の下で完了作業を再考することを目的とした新しいフレームワークSPAC-Netを提案する。
論文 参考訳(メタデータ) (2024-11-22T16:54:17Z) - Unsupervised Non-Rigid Point Cloud Matching through Large Vision Models [1.3030624795284795]
非剛点クラウドマッチングのための学習ベースのフレームワークを提案する。
重要な洞察は、大きな視覚モデル(LVM)から派生した意味的特徴を統合することである。
本フレームワークは,局所的な地形間の自己相似性から生じるあいまいさに対処するために,意味的特徴に含まれる構造情報を効果的に活用する。
論文 参考訳(メタデータ) (2024-08-16T07:02:19Z) - Self-supervised 3D Point Cloud Completion via Multi-view Adversarial Learning [61.14132533712537]
我々は、オブジェクトレベルとカテゴリ固有の幾何学的類似性の両方を効果的に活用するフレームワークであるMAL-SPCを提案する。
私たちのMAL-SPCは3Dの完全な監視を一切必要とせず、各オブジェクトに1つの部分点クラウドを必要とするだけです。
論文 参考訳(メタデータ) (2024-07-13T06:53:39Z) - Complexity Matters: Rethinking the Latent Space for Generative Modeling [65.64763873078114]
生成的モデリングにおいて、多くの成功したアプローチは、例えば安定拡散のような低次元の潜在空間を利用する。
本研究では, モデル複雑性の観点から潜在空間を再考することにより, 未探索の話題に光を当てることを目的としている。
論文 参考訳(メタデータ) (2023-07-17T07:12:29Z) - Variational Relational Point Completion Network for Robust 3D
Classification [59.80993960827833]
可変点雲補完法は、局所的な詳細を欠くため、大域的な形状の骨格を生成する傾向がある。
本稿では2つの魅力的な特性を持つ変分フレームワークであるポイントコンプリートネットワーク(VRCNet)を提案する。
VRCNetは、現実世界のポイントクラウドスキャンにおいて、非常に一般化性と堅牢性を示している。
論文 参考訳(メタデータ) (2023-04-18T17:03:20Z) - Learning a Structured Latent Space for Unsupervised Point Cloud
Completion [48.79411151132766]
部分点雲と完全点雲の両方を符号化する統一的で構造化された潜在空間を学習する新しいフレームワークを提案する。
提案手法は、合成ShapeNetと実世界のKITTI、ScanNet、Matterport3Dデータセットの両方において、最先端の教師なし手法を一貫して上回っている。
論文 参考訳(メタデータ) (2022-03-29T13:58:44Z) - Quasi-Balanced Self-Training on Noise-Aware Synthesis of Object Point
Clouds for Closing Domain Gap [34.590531549797355]
本稿では,CADモデルへのスペックルパターンの投影によるステレオ画像のレンダリングにより,オブジェクト・ポイント・クラウドを物理的にリアルに合成する統合スキームを提案する。
実験により,本手法の有効性,および各モジュールが点クラウド分類における教師なし領域適応に有効であることを検証できる。
論文 参考訳(メタデータ) (2022-03-08T03:44:49Z) - Refinement of Predicted Missing Parts Enhance Point Cloud Completion [62.997667081978825]
点雲完了は、部分的な観測から3次元形状の点集合表現を用いて完全な幾何学を予測するタスクである。
従来のアプローチでは、不完全点集合によって供給されるエンコーダ・デコーダモデルにより、点雲全体を直接推定するニューラルネットワークが提案されていた。
本稿では、欠落した幾何を計算し、既知の入力と予測点クラウドを融合することに焦点を当てたエンドツーエンドニューラルネットワークアーキテクチャを提案する。
論文 参考訳(メタデータ) (2020-10-08T22:01:23Z)
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。