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

• arxiv url: http://arxiv.org/abs/2301.13656v2
• Date: Thu, 4 Jan 2024 14:58:13 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-05 17:55:45.216859
• 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, Renaud Marlet, Bruno Vallet, Loic Landrieu
• Abstract要約: 点雲から表面を復元する従来の手法と学習法の両方を提示する。 従来のアプローチでは、入力点の雲または結果として生じる表面に手作りの先行を課すことで問題を単純化することが多い。 ディープラーニングモデルには、入力ポイントクラウドの特性を直接学習する能力がある。
• 参考スコア（独自算出の注目度）: 13.500214348259433
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a comprehensive survey and benchmark of both traditional and learning-based methods for surface reconstruction from point clouds. This task is particularly challenging for real-world acquisitions due to factors like noise, outliers, non-uniform sampling, and missing data. Traditional approaches often simplify the problem by imposing handcrafted priors on either the input point clouds or the resulting surface, a process that can necessitate tedious hyperparameter tuning. Conversely, deep learning models have the capability to directly learn the properties of input point clouds and desired surfaces from data. We study the influence of these handcrafted and learned priors on the precision and robustness of surface reconstruction techniques. We evaluate various time-tested and contemporary methods in a standardized manner. When both trained and evaluated on point clouds with identical characteristics, the learning-based models consistently produce superior surfaces compared to their traditional counterparts$\unicode{x2013}$even in scenarios involving novel shape categories. However, traditional methods demonstrate greater resilience to the diverse array of point cloud anomalies commonly found in real-world 3D acquisitions. For the benefit of the research community, we make our code and datasets available, inviting further enhancements to learning-based surface reconstruction. This can be accessed at https://github.com/raphaelsulzer/dsr-benchmark .
• Abstract（参考訳）: 我々は,点雲から表面再構成を行う従来の手法と学習ベースの手法の総合的な調査とベンチマークを行う。 このタスクは、ノイズ、外れ値、非一様サンプリング、欠落データなどの要因により、現実世界の買収において特に困難である。 従来のアプローチでは、入力ポイントの雲または結果として生じる表面に手作りの事前設定を課すことで問題を単純化することが多い。 逆に、ディープラーニングモデルには、入力点雲と所望の表面の性質を直接データから学習する能力がある。 本研究では,これらの手工芸と学習先行が表面再構成技術の精度と堅牢性に与える影響について検討する。 時間テストおよび現代手法を標準化された方法で評価する。 同じ特性を持つ点雲上でトレーニングと評価の両方を行う場合、学習ベースのモデルは、新しい形状カテゴリを含むシナリオにおいて、従来のそれよりも優れた表面を生成する。 しかし、従来の手法は、現実世界の3D取得でよく見られる多様な点雲異常に対して、より大きなレジリエンスを示す。 研究コミュニティの利益のために、コードとデータセットを利用可能にし、学習ベースの表面再構成をさらに強化します。 これはhttps://github.com/raphaelsulzer/dsr-benchmarkでアクセスできる。

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。