論文の概要: Lidar Upsampling with Sliced Wasserstein Distance

• arxiv url: http://arxiv.org/abs/2301.13558v1
• Date: Tue, 31 Jan 2023 11:16:21 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-01 16:47:13.335940
• Title: Lidar Upsampling with Sliced Wasserstein Distance
• Title（参考訳）: スライスワッサースタイン距離を用いたライダーアップサンプリング
• Authors: Artem Savkin, and Yida Wang, Sebastian Wirkert, and Nassir Navab, and Federico Tombar
• Abstract要約: 微粒なライダースキャンパターンを再構成できるライダー点雲アップサンプリング法を提案する。 鍵となる考え方は、エッジ対応の高密度な畳み込みを特徴抽出と特徴拡張の両方に利用することである。 これにより,粗さや微細な再構築を必要とせず,一段階のアップサンプリングパラダイムを適用できる。
• 参考スコア（独自算出の注目度）: 38.79696730246419
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Lidar became an important component of the perception systems in autonomous driving. But challenges of training data acquisition and annotation made emphasized the role of the sensor to sensor domain adaptation. In this work, we address the problem of lidar upsampling. Learning on lidar point clouds is rather a challenging task due to their irregular and sparse structure. Here we propose a method for lidar point cloud upsampling which can reconstruct fine-grained lidar scan patterns. The key idea is to utilize edge-aware dense convolutions for both feature extraction and feature expansion. Additionally applying a more accurate Sliced Wasserstein Distance facilitates learning of the fine lidar sweep structures. This in turn enables our method to employ a one-stage upsampling paradigm without the need for coarse and fine reconstruction. We conduct several experiments to evaluate our method and demonstrate that it provides better upsampling.
• Abstract（参考訳）: lidarは自動運転における知覚システムの重要な要素となった。 しかし、データ取得とアノテーションのトレーニングの課題は、センサードメイン適応におけるセンサーの役割を強調した。 本稿では,lidarアップサンプリングの問題点について述べる。 lidar point cloudでの学習は、不規則でスパースな構造のため、かなり難しい作業である。 本稿では,細粒度lidarスキャンパターンを再現可能なlidar点雲アップサンプリング手法を提案する。 重要なアイデアは、エッジアウェアの高密度畳み込みを特徴抽出と機能拡張の両方に利用することである。 さらに、より正確なスライスされたワッサースタイン距離を適用することで、微細なライダースイープ構造の学習が容易になる。 これにより,粗さや微細な再構築を必要とせず,一段階のアップサンプリングパラダイムを適用できる。 提案手法を評価するための実験を複数実施し,その改善効果を実証した。

関連論文リスト

• Enhancing Sampling Protocol for Robust Point Cloud Classification [7.6224558218559855]
  実世界のデータは、現在のプロトコルにおける点雲の良性の仮定に反するセンサノイズなど、しばしば干渉に悩まされる。 1)キーポイント識別のためのダウンサンプリング,2)フレキシブルなサンプルサイズのためのリサンプリングの2つのコンポーネントからなるポイントクラウドサンプリングプロトコルであるポイントDRを提案する。
  論文  参考訳（メタデータ） (2024-08-22T01:48:31Z)
• Grad-PU: Arbitrary-Scale Point Cloud Upsampling via Gradient Descent with Learned Distance Functions [77.32043242988738]
  我々は、任意のアップサンプリングレートをサポートする、正確なポイントクラウドアップサンプリングのための新しいフレームワークを提案する。 提案手法は,まず,所定のアップサンプリング率に応じて低解像度の雲を補間する。
  論文  参考訳（メタデータ） (2023-04-24T06:36:35Z)
• BIMS-PU: Bi-Directional and Multi-Scale Point Cloud Upsampling [60.257912103351394]
  我々はBIMS-PUと呼ばれる新しいポイント・クラウド・アップサンプリング・パイプラインを開発した。 対象のサンプリング因子を小さな因子に分解することにより,アップ/ダウンサンプリング手順をいくつかのアップ/ダウンサンプリングサブステップに分解する。 提案手法は最先端手法よりも優れた結果が得られることを示す。
  論文  参考訳（メタデータ） (2022-06-25T13:13:37Z)
• Self-Supervised Arbitrary-Scale Point Clouds Upsampling via Implicit Neural Representation [79.60988242843437]
  そこで本研究では,自己監督型および倍率フレキシブルな点雲を同時にアップサンプリングする手法を提案する。 実験結果から, 自己教師あり学習に基づく手法は, 教師あり学習に基づく手法よりも, 競争力や性能が向上することが示された。
  論文  参考訳（メタデータ） (2022-04-18T07:18:25Z)
• PC2-PU: Patch Correlation and Position Correction for Effective Point Cloud Upsampling [12.070762117164092]
  点雲アップサンプリングは、3Dセンサーから取得したスパース点を密度化することである。 既存の方法は単一のパッチ上でアップサンプリングを行い、表面全体のコヒーレンスと関係を無視している。 本稿では,より堅牢で改良された性能を実現するために,より効率的な点群アップサンプリング法を提案する。
  論文  参考訳（メタデータ） (2021-09-20T07:40:20Z)
• SPU-Net: Self-Supervised Point Cloud Upsampling by Coarse-to-Fine Reconstruction with Self-Projection Optimization [52.20602782690776]
  実際のスキャンされたスパースデータからトレーニング用の大規模なペアリングスパーススキャンポイントセットを得るのは高価で面倒です。 本研究では,SPU-Net と呼ばれる自己監視型点群アップサンプリングネットワークを提案する。 本研究では,合成データと実データの両方について様々な実験を行い,最先端の教師付き手法と同等の性能が得られることを示す。
  論文  参考訳（メタデータ） (2020-12-08T14:14:09Z)
• Deep Magnification-Flexible Upsampling over 3D Point Clouds [103.09504572409449]
  本稿では,高密度点雲を生成するためのエンドツーエンド学習ベースのフレームワークを提案する。 まずこの問題を明示的に定式化し、重みと高次近似誤差を判定する。 そこで我々は,高次改良とともに,統一重みとソート重みを適応的に学習する軽量ニューラルネットワークを設計する。
  論文  参考訳（メタデータ） (2020-11-25T14:00:18Z)

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。