論文の概要: CurveCloudNet: Processing Point Clouds with 1D Structure
- arxiv url: http://arxiv.org/abs/2303.12050v2
- Date: Thu, 1 Feb 2024 22:22:17 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-05 20:42:28.856621
- Title: CurveCloudNet: Processing Point Clouds with 1D Structure
- Title(参考訳): CurveCloudNet: 1D構造によるポイントクラウドの処理
- Authors: Colton Stearns and Davis Rempe and Jiateng Liu and Alex Fu and
Sebastien Mascha and Jeong Joon Park and Despoina Paschalidou and Leonidas J.
Guibas
- Abstract要約: 我々はCurveCloudNetと呼ばれる新しいポイントクラウド処理方式とバックボーンを導入する。
CurveCloudNetは、ポイントクラウドをポリラインの集合としてパラメータ化し、ポイント上の局所的なサーフェスアウェアの順序を確立する。
CurveCloudNetは、様々なセグメンテーション設定において、ポイントベースとスパースボクセルの両方のバックボーンよりも優れていることを示す。
- 参考スコア(独自算出の注目度): 49.137477909835276
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Modern depth sensors such as LiDAR operate by sweeping laser-beams across the
scene, resulting in a point cloud with notable 1D curve-like structures. In
this work, we introduce a new point cloud processing scheme and backbone,
called CurveCloudNet, which takes advantage of the curve-like structure
inherent to these sensors. While existing backbones discard the rich 1D
traversal patterns and rely on generic 3D operations, CurveCloudNet
parameterizes the point cloud as a collection of polylines (dubbed a "curve
cloud"), establishing a local surface-aware ordering on the points. By
reasoning along curves, CurveCloudNet captures lightweight curve-aware priors
to efficiently and accurately reason in several diverse 3D environments. We
evaluate CurveCloudNet on multiple synthetic and real datasets that exhibit
distinct 3D size and structure. We demonstrate that CurveCloudNet outperforms
both point-based and sparse-voxel backbones in various segmentation settings,
notably scaling to large scenes better than point-based alternatives while
exhibiting improved single-object performance over sparse-voxel alternatives.
In all, CurveCloudNet is an efficient and accurate backbone that can handle a
larger variety of 3D environments than past works.
- Abstract(参考訳): 現代のLiDARのような深度センサーは、レーザービームを現場に流し込み、1Dカーブのような構造を持つ点雲を発生させる。
本研究では,これらのセンサに固有の曲線のような構造を生かした,CurveCloudNetという新たなポイントクラウド処理方式とバックボーンを導入する。
既存のバックボーンはリッチな1Dトラバーサルパターンを捨て、ジェネリックな3D操作に依存するが、CurveCloudNetは、ポイントクラウドをポリライン(「カーブクラウド」と呼ばれる)の集合としてパラメータ化し、ポイントに局所的なサーフェスアウェアを配置する。
曲線に沿って推論することで、curvecloudnetは軽量な曲線認識プリエントをキャプチャし、様々な3d環境で効率的に正確に推論する。
異なる3次元サイズと構造を示す複数の合成および実データセット上でCurveCloudNetを評価する。
CurveCloudNetは、様々なセグメンテーション設定において、ポイントベースとスパースボクセルの両方のバックボーンよりも優れており、特に、ポイントベースよりも大きなシーンにスケールし、スパースボクセルよりもシングルオブジェクトのパフォーマンスが向上している。
全体として、curvecloudnetは効率的で正確なバックボーンであり、過去の作品よりも幅広い3d環境を処理できる。
関連論文リスト
- P2P-Bridge: Diffusion Bridges for 3D Point Cloud Denoising [81.92854168911704]
私たちは、Diffusion Schr"odingerブリッジをポイントクラウドに適応させる新しいフレームワークを通じて、ポイントクラウドを飾るタスクに取り組みます。
オブジェクトデータセットの実験では、P2P-Bridgeは既存のメソッドよりも大幅に改善されている。
論文 参考訳(メタデータ) (2024-08-29T08:00:07Z) - 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) - 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) - A Conditional Point Diffusion-Refinement Paradigm for 3D Point Cloud
Completion [69.32451612060214]
実スキャンされた3Dポイントクラウドはしばしば不完全であり、下流アプリケーションのために完全なポイントクラウドを復元することが重要である。
ほとんどの既存のポイントクラウド補完方法は、トレーニングにチャンファー距離(CD)損失を使用する。
本稿では,点雲完了のためのPDR(Point Diffusion-Refinement)パラダイムを提案する。
論文 参考訳(メタデータ) (2021-12-07T06:59:06Z) - SSPU-Net: Self-Supervised Point Cloud Upsampling via Differentiable
Rendering [21.563862632172363]
地中真理を使わずに高密度の点雲を生成するための自己教師付き点雲アップサンプリングネットワーク(SSPU-Net)を提案する。
これを実現するために,入力スパース点雲と高密度点雲との整合性を利用して画像の形状と描画を行う。
論文 参考訳(メタデータ) (2021-08-01T13:26:01Z) - The Devils in the Point Clouds: Studying the Robustness of Point Cloud
Convolutions [15.997907568429177]
本稿では,点群上の畳み込みネットワークであるPointConvの異なる変種を調査し,入力スケールと回転変化に対する堅牢性を検討する。
3次元幾何学的性質をpointconvへの入力として利用し,新しい視点不変ディスクリプタを導出する。
2D MNIST & CIFAR-10データセットと3D Semantic KITTI & ScanNetデータセットで実験が行われた。
論文 参考訳(メタデータ) (2021-01-19T19:32:38Z) - ParaNet: Deep Regular Representation for 3D Point Clouds [62.81379889095186]
ParaNetは、3Dポイントクラウドを表現するための新しいエンドツーエンドのディープラーニングフレームワークである。
不規則な3D点雲を通常の2Dカラー画像に変換する。
多視点投影とボキセル化に基づく従来の正規表現法とは異なり、提案した表現は微分可能で可逆である。
論文 参考訳(メタデータ) (2020-12-05T13:19:55Z)
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。