論文の概要: A Survey and Benchmark of Automatic Surface Reconstruction from Point Clouds

• arxiv url: http://arxiv.org/abs/2301.13656v1
• Date: Tue, 31 Jan 2023 14:18:19 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-01 16:19:57.681583
• Title: A Survey and Benchmark of Automatic Surface Reconstruction from Point Clouds
• Title（参考訳）: 点雲からの自動表面再構成に関する調査とベンチマーク
• Authors: Raphael Sulzer, Loic Landrieu, Renaud Marlet, Bruno Vallet
• Abstract要約: ポイントクラウドによる表面の再構築は、現実世界の買収に適用する場合、特に困難である。 深部表面再構成法は、点雲とそれに対応する真の表面のトレーニングセットから直接事前を学習することができる。 学習に基づく手法は、目に見えない形状のカテゴリに一般化できるが、それらのトレーニングとテストセットは、同じ点の雲の特徴を共有する必要がある。
• 参考スコア（独自算出の注目度）: 10.093626214690385
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We survey and benchmark traditional and novel learning-based algorithms that address the problem of surface reconstruction from point clouds. Surface reconstruction from point clouds is particularly challenging when applied to real-world acquisitions, due to noise, outliers, non-uniform sampling and missing data. Traditionally, different handcrafted priors of the input points or the output surface have been proposed to make the problem more tractable. However, hyperparameter tuning for adjusting priors to different acquisition defects can be a tedious task. To this end, the deep learning community has recently addressed the surface reconstruction problem. In contrast to traditional approaches, deep surface reconstruction methods can learn priors directly from a training set of point clouds and corresponding true surfaces. In our survey, we detail how different handcrafted and learned priors affect the robustness of methods to defect-laden input and their capability to generate geometric and topologically accurate reconstructions. In our benchmark, we evaluate the reconstructions of several traditional and learning-based methods on the same grounds. We show that learning-based methods can generalize to unseen shape categories, but their training and test sets must share the same point cloud characteristics. We also provide the code and data to compete in our benchmark and to further stimulate the development of learning-based surface reconstruction https://github.com/raphaelsulzer/dsr-benchmark.
• Abstract（参考訳）: 我々は,点雲の表面再構成の問題に対処する,従来型および新しい学習ベースアルゴリズムを調査し,ベンチマークする。 ノイズ、異常値、非一様サンプリング、データ欠落などにより、実世界の取得に適用する場合、ポイントクラウドからの表面復元は特に困難である。 伝統的に、入力点や出力面の異なる手作りの先行が提案されており、この問題をより引きやすくしている。 しかし、異なる取得欠陥に対する事前調整のためのハイパーパラメータチューニングは面倒な作業である。 この目的のために,最近,深層学習コミュニティが表面再構成問題に対処している。 従来のアプローチとは対照的に、深部表面再構成法は、点雲とそれに対応する真の曲面のトレーニングセットから直接事前を学習することができる。 本研究では,手作りと学習の優先度の違いが,入力の欠陥に対するロバスト性や,幾何学的・トポロジカル的に正確な再構成を実現する能力に与える影響について詳細に述べる。 本ベンチマークでは,従来型および学習型手法の再構成を同一の理由で評価する。 学習に基づく手法は,未認識の形状カテゴリに一般化できるが,そのトレーニングとテストセットは,同じ点クラウド特性を共有する必要がある。 また、ベンチマークで競合するコードとデータを提供し、学習ベースの表面再構成 https://github.com/raphaelsulzer/dsr-benchmark の開発をさらに促進します。

関連論文リスト

• Machine Learning for Predicting Chaotic Systems [0.0]
  カオス力学系の予測は、天気予報など多くの科学分野において重要である。 本稿では,軽量かつ重厚な機械学習アーキテクチャの比較を行う。 従来のメトリクスの望ましい特性を組み合わせ、カオスシステムに適した新しい計量である累積最大誤差を導入する。
  論文  参考訳（メタデータ） (2024-07-29T16:34:47Z)
• Flatten Anything: Unsupervised Neural Surface Parameterization [76.4422287292541]
  本研究では,FAM(Flatten Anything Model)を導入し,グローバルな自由境界面パラメータ化を実現する。 従来の手法と比較して,FAMは接続情報を活用することなく,個別の面上で直接動作する。 当社のFAMは前処理を必要とせずに完全に自動化されており,高度に複雑なトポロジを扱うことができる。
  論文  参考訳（メタデータ） (2024-05-23T14:39:52Z)
• Continual Learning with Pre-Trained Models: A Survey [61.97613090666247]
  継続的な学習は、新しい知識を学ぶ際に、かつての知識の破滅的な忘れを克服することを目的としている。 本稿では, PTM を用いた CL の最近の進歩を包括的に調査する。
  論文  参考訳（メタデータ） (2024-01-29T18:27:52Z)
• Enhancing Surface Neural Implicits with Curvature-Guided Sampling and Uncertainty-Augmented Representations [37.42624848693373]
  本研究では,高忠実度3次元再構成作業において,深度画像を直接消化する手法を提案する。 高効率なトレーニングデータを生成するため,簡単なサンプリング手法を提案する。 その単純さにもかかわらず、本手法は古典的および学習的ベースラインの両方に優れる。
  論文  参考訳（メタデータ） (2023-06-03T12:23:17Z)
• HSurf-Net: Normal Estimation for 3D Point Clouds by Learning Hyper Surfaces [54.77683371400133]
  本稿では,ノイズと密度の変動のある点群から正規性を正確に予測できるHSurf-Netという新しい正規推定手法を提案する。 実験結果から, HSurf-Netは, 合成形状データセット上での最先端性能を実現することがわかった。
  論文  参考訳（メタデータ） (2022-10-13T16:39:53Z)
• Surface Reconstruction from Point Clouds: A Survey and a Benchmark [34.78096555134551]
  本稿では,ディープラーニング表面再構成の新しい時代の既存手法をレビューし,ベンチマークすることを目的とする。 我々は,合成データと実スキャンデータの両方からなる大規模ベンチマークデータセットに貢献する。 複雑な表面形状の再構成の観点から,異なる手法が一般化されるかを検討する。
  論文  参考訳（メタデータ） (2022-05-05T03:02:57Z)
• Locally Aware Piecewise Transformation Fields for 3D Human Mesh Registration [67.69257782645789]
  本論文では,3次元変換ベクトルを学習し,提案空間内の任意のクエリ点をリザーブ空間内の対応する位置にマップする部分変換場を提案する。 パラメトリックモデルにネットワークのポーズを合わせることで、特に極端なポーズにおいて、より優れた登録品質が得られることを示す。
  論文  参考訳（メタデータ） (2021-04-16T15:16:09Z)
• Model-Based Deep Learning [155.063817656602]
  信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。 ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。 私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
  論文  参考訳（メタデータ） (2020-12-15T16:29:49Z)
• Sign-Agnostic Implicit Learning of Surface Self-Similarities for Shape Modeling and Reconstruction from Raw Point Clouds [35.80493796701116]
  物体の表面全体を共有・適応的にモデリングするための局所暗黙的表面ネットワークを学習することを提案する。 また、各表面パッチの最適化潜在符号間の相関性を改善することにより、表面の自己相似性の活用も促進する。 私たちのフレームワークは、表面自己相似性(SAIL-S3)の符号認識暗黙学習(Sign-Agnostic Implicit Learning)と呼びます。
  論文  参考訳（メタデータ） (2020-12-14T13:33:22Z)
• Pix2Surf: Learning Parametric 3D Surface Models of Objects from Images [64.53227129573293]
  1つ以上の視点から見れば、新しいオブジェクトの3次元パラメトリック表面表現を学習する際の課題について検討する。 ビュー間で一貫した高品質なパラメトリックな3次元表面を生成できるニューラルネットワークを設計する。 提案手法は,共通対象カテゴリからの形状の公開データセットに基づいて,教師と訓練を行う。
  論文  参考訳（メタデータ） (2020-08-18T06:33:40Z)
• Points2Surf: Learning Implicit Surfaces from Point Cloud Patches [35.2104818061992]
  スキャンベースの計算における重要なステップは、秩序のない点雲を表面に変換することである。 Points2Surfはパッチベースの新しい学習フレームワークで、正常なスキャンから正確な表面を直接生成する。
  論文  参考訳（メタデータ） (2020-07-20T20:25:39Z)

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。