論文の概要: GP-PCS: One-shot Feature-Preserving Point Cloud Simplification with Gaussian Processes on Riemannian Manifolds
- arxiv url: http://arxiv.org/abs/2303.15225v4
- Date: Sat, 7 Sep 2024 10:41:35 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-11 06:18:42.476095
- Title: GP-PCS: One-shot Feature-Preserving Point Cloud Simplification with Gaussian Processes on Riemannian Manifolds
- Title(参考訳): GP-PCS:リーマン多様体上のガウス過程によるワンショット特徴保存点雲の単純化
- Authors: Stuti Pathak, Thomas M. McDonald, Seppe Sels, Rudi Penne,
- Abstract要約: 本稿では,新しいワンショットポイントクラウド単純化手法を提案する。
表面の復元を一切行わずに、健全な構造的特徴と点雲全体の形状の両方を保っている。
提案手法を複数のベンチマークおよび自己取得点雲上で評価し,既存手法と比較し,下流での登録と表面再構成の応用を実証した。
- 参考スコア(独自算出の注目度): 2.8811433060309763
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The processing, storage and transmission of large-scale point clouds is an ongoing challenge in the computer vision community which hinders progress in the application of 3D models to real-world settings, such as autonomous driving, virtual reality and remote sensing. We propose a novel, one-shot point cloud simplification method which preserves both the salient structural features and the overall shape of a point cloud without any prior surface reconstruction step. Our method employs Gaussian processes suitable for functions defined on Riemannian manifolds, allowing us to model the surface variation function across any given point cloud. A simplified version of the original cloud is obtained by sequentially selecting points using a greedy sparsification scheme. The selection criterion used for this scheme ensures that the simplified cloud best represents the surface variation of the original point cloud. We evaluate our method on several benchmark and self-acquired point clouds, compare it to a range of existing methods, demonstrate its application in downstream tasks of registration and surface reconstruction, and show that our method is competitive both in terms of empirical performance and computational efficiency. The code is available at \href{https://github.com/stutipathak5/gps-for-point-clouds}{https://github.com/stutipathak5/gps-for-point-clouds}.
- Abstract(参考訳): 大規模なポイントクラウドの処理、ストレージ、送信は、コンピュータビジョンコミュニティにおいて進行中の課題であり、自律運転、バーチャルリアリティ、リモートセンシングといった現実の環境への3Dモデルの適用の進歩を妨げる。
本研究では,従来の表面再構成工程を使わずに,点雲の健全な構造的特徴と全体形状の両方を保存できる新しい一発点雲簡易化法を提案する。
この手法はリーマン多様体上で定義される関数に適したガウス過程を用いており、任意の点群をまたいだ曲面変動関数をモデル化することができる。
グリーディスペーシフィケーションスキームを用いて点を順次選択し、原雲の簡易版を得る。
このスキームで使用される選択基準は、単純化された雲が元の点雲の表面の変化を最もよく表すことを保証している。
提案手法は,複数のベンチマークおよび自己取得点クラウド上で評価し,既存の手法と比較し,登録および表面再構成の下流タスクにおける適用を実証し,実験性能と計算効率の両面で競合することを示す。
コードは \href{https://github.com/stutipathak5/gps-for-point-clouds}{https://github.com/stutipathak5/gps-for-point-clouds} で公開されている。
関連論文リスト
- INPC: Implicit Neural Point Clouds for Radiance Field Rendering [5.64500060725726]
現実世界のシーンを再現し、新しい視点で合成するための新しいアプローチを提案する。
本研究では,連続オクツリー型確率場とマルチ解像度ハッシュグリッドにおける点雲を暗黙的に符号化するハイブリッドシーン表現を提案する。
本手法は,対話的なフレームレートで高速な推論を実現し,さらに性能を高めるために露骨な点雲を抽出することができる。
論文 参考訳(メタデータ) (2024-03-25T15:26:32Z) - Point Cloud Pre-training with Diffusion Models [62.12279263217138]
我々は、ポイントクラウド拡散事前学習(PointDif)と呼ばれる新しい事前学習手法を提案する。
PointDifは、分類、セグメンテーション、検出など、さまざまな下流タスクのために、さまざまな現実世界のデータセット間で大幅に改善されている。
論文 参考訳(メタデータ) (2023-11-25T08:10:05Z) - AdaPoinTr: Diverse Point Cloud Completion with Adaptive Geometry-Aware
Transformers [94.11915008006483]
本稿では,ポイントクラウドの完了をセット・ツー・セットの翻訳問題として再定義する手法を提案する。
我々は、ポイントクラウド補完のためにTransformerエンコーダデコーダアーキテクチャを採用したPoinTrと呼ばれる新しいモデルを設計する。
本手法は,PCNで6.53 CD,ShapeNet-55で0.81 CD,現実世界のKITTIで0.392 MMDを実現する。
論文 参考訳(メタデータ) (2023-01-11T16:14:12Z) - Deep Point Cloud Simplification for High-quality Surface Reconstruction [24.29310178063052]
PCS-Netは、幾何学的忠実さを維持しつつ、高品質な表面メッシュ再構築に特化している。
そこで本研究では,サンプル点の位置を改良する新しい2次元再サンプリングモジュールを提案する。
重要な形状特徴をさらに維持するため、新規な塩分損失を有する適応サンプリング戦略を設計する。
論文 参考訳(メタデータ) (2022-03-17T05:22:25Z) - PoinTr: Diverse Point Cloud Completion with Geometry-Aware Transformers [81.71904691925428]
本稿では,ポイントクラウドの完了をセット・ツー・セットの翻訳問題として再定義する手法を提案する。
我々はまた、ポイントクラウド補完のためにトランスフォーマーエンコーダデコーダアーキテクチャを採用するPoinTrと呼ばれる新しいモデルも設計している。
提案手法は,新しいベンチマークと既存ベンチマークの両方において,最先端の手法よりも優れた性能を示す。
論文 参考訳(メタデータ) (2021-08-19T17:58:56Z) - Planning with Learned Dynamic Model for Unsupervised Point Cloud
Registration [25.096635750142227]
我々は,変換ネットワークと評価ネットワークから構成される点雲の潜在動的モデルを開発する。
我々は、ポイントクラウド登録プロセスにおける報酬を最大化し、計画方針を反復的に更新するためにクロスエントロピー法(CEM)を用いる。
ModelNet40および7Sceneベンチマークデータセットの実験結果から,本手法は教師なしで良好な登録性能が得られることが示された。
論文 参考訳(メタデータ) (2021-08-05T13:47:11Z) - 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) - Representing Point Clouds with Generative Conditional Invertible Flow
Networks [15.280751949071016]
クラウド固有の確率分布から抽出したサンプルの集合として,点雲を表現するための簡易かつ効果的な方法を提案する。
提案手法は, 生成的非可逆フローネットワークを利用して埋め込みを学習し, 点雲を生成する。
私たちのモデルは、ベンチマークデータセット上で、競争力または優れた定量的結果を提供します。
論文 参考訳(メタデータ) (2020-10-07T18:30:47Z) - SoftPoolNet: Shape Descriptor for Point Cloud Completion and
Classification [93.54286830844134]
本稿では,点雲に基づく3次元オブジェクトの補完と分類手法を提案する。
デコーダの段階では,グローバルな活性化エントロピーの最大化を目的とした新しい演算子である地域畳み込みを提案する。
我々は,オブジェクトの完成度や分類,最先端の精度の達成など,異なる3次元タスクに対するアプローチを評価する。
論文 参考訳(メタデータ) (2020-08-17T14:32:35Z) - Pseudo-LiDAR Point Cloud Interpolation Based on 3D Motion Representation
and Spatial Supervision [68.35777836993212]
我々はPseudo-LiDAR点雲ネットワークを提案し、時間的および空間的に高品質な点雲列を生成する。
点雲間のシーンフローを活用することにより,提案ネットワークは3次元空間運動関係のより正確な表現を学習することができる。
論文 参考訳(メタデータ) (2020-06-20T03:11:04Z)
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。