論文の概要: NerVE: Neural Volumetric Edges for Parametric Curve Extraction from Point Cloud

• arxiv url: http://arxiv.org/abs/2303.16465v1
• Date: Wed, 29 Mar 2023 05:34:54 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-30 15:55:30.794487
• Title: NerVE: Neural Volumetric Edges for Parametric Curve Extraction from Point Cloud
• Title（参考訳）: NerVE:ポイントクラウドからのパラメトリック曲線抽出のためのニューラルネットワークボリュームエッジ
• Authors: Xiangyu Zhu, Dong Du, Weikai Chen, Zhiyou Zhao, Yinyu Nie, Xiaoguang Han
• Abstract要約: 我々はニューラルボリュームエッジ表現であるNerVEを提示する。 NerVEは、多目的なピースワイド・リニア(PWL)曲線表現にシームレスに変換できる。 NerVEをベースとした単純なネットワークは,従来の最先端手法よりもはるかに優れていることを示す。
• 参考スコア（独自算出の注目度）: 38.24355097894629
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Extracting parametric edge curves from point clouds is a fundamental problem in 3D vision and geometry processing. Existing approaches mainly rely on keypoint detection, a challenging procedure that tends to generate noisy output, making the subsequent edge extraction error-prone. To address this issue, we propose to directly detect structured edges to circumvent the limitations of the previous point-wise methods. We achieve this goal by presenting NerVE, a novel neural volumetric edge representation that can be easily learned through a volumetric learning framework. NerVE can be seamlessly converted to a versatile piece-wise linear (PWL) curve representation, enabling a unified strategy for learning all types of free-form curves. Furthermore, as NerVE encodes rich structural information, we show that edge extraction based on NerVE can be reduced to a simple graph search problem. After converting NerVE to the PWL representation, parametric curves can be obtained via off-the-shelf spline fitting algorithms. We evaluate our method on the challenging ABC dataset. We show that a simple network based on NerVE can already outperform the previous state-of-the-art methods by a great margin. Project page: https://dongdu3.github.io/projects/2023/NerVE/.
• Abstract（参考訳）: 点雲からパラメトリックエッジ曲線を抽出することは、3次元視覚と幾何学処理の基本的な問題である。 既存のアプローチは主にキーポイント検出に依存しており、ノイズの多い出力を生成する傾向があるため、その後のエッジ抽出エラーが発生しやすい。 そこで本研究では,従来のポイントワイズ手法の限界を回避するために,構造エッジを直接検出することを提案する。 我々は、この目標を達成するために、NerVEという、ボリューム学習フレームワークを通じて容易に学習できる新しいニューラルネットワークボリュームエッジ表現を提示する。 NerVE は、任意の種類の自由形式曲線を学習するための統一戦略を実現するために、多機能なピースワイド線形曲線表現(PWL)にシームレスに変換することができる。 さらに、NerVEがリッチな構造情報を符号化することにより、NerVEに基づくエッジ抽出を単純なグラフ探索問題に還元できることを示す。 NerVEをPWL表現に変換すると、オフザシェルフスプラインフィッティングアルゴリズムによってパラメトリック曲線が得られる。 本手法をabcデータセット上で評価する。 神経に基づく単純なネットワークが,従来の最先端の手法をはるかに上回ることができることを示す。 プロジェクトページ: https://dongdu3.github.io/projects/2023/nerve/

関連論文リスト

• 3D Neural Edge Reconstruction [61.10201396044153]
  本研究では,線と曲線に焦点をあてて3次元エッジ表現を学習する新しい手法であるEMAPを紹介する。 多視点エッジマップから無符号距離関数(UDF)の3次元エッジ距離と方向を暗黙的に符号化する。 この神経表現の上に、推定されたエッジ点とその方向から3次元エッジを頑健に抽象化するエッジ抽出アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-05-29T17:23:51Z)
• N-BVH: Neural ray queries with bounding volume hierarchies [51.430495562430565]
  3Dコンピュータグラフィックスでは、シーンのメモリ使用量の大部分がポリゴンとテクスチャによるものである。 N-BVHは3次元の任意の光線クエリに応答するように設計されたニューラル圧縮アーキテクチャである。 本手法は, 視認性, 深度, 外観特性を忠実に近似する。
  論文  参考訳（メタデータ） (2024-05-25T13:54:34Z)
• Machine learning algorithms for three-dimensional mean-curvature computation in the level-set method [0.0]
  レベルセット法のためのデータ駆動平均曲率解法を提案する。 提案方式は, 現在の粒子界面再構成よりも高精度な平均曲率推定を行うことができる。
  論文  参考訳（メタデータ） (2022-08-18T20:19:22Z)
• Revisiting Point Cloud Simplification: A Learnable Feature Preserving Approach [57.67932970472768]
  MeshとPoint Cloudの単純化手法は、3Dモデルの複雑さを低減しつつ、視覚的品質と関連する健全な機能を維持することを目的としている。 そこで本研究では,正解点の標本化を学習し,高速点雲の簡易化手法を提案する。 提案手法は、入力空間から任意のユーザ定義の点数を選択し、視覚的知覚誤差を最小限に抑えるために、その位置を再配置するよう訓練されたグラフニューラルネットワークアーキテクチャに依存する。
  論文  参考訳（メタデータ） (2021-09-30T10:23:55Z)
• DiGS : Divergence guided shape implicit neural representation for unoriented point clouds [36.60407995156801]
  形状暗黙的神経表現(INR)は近年,形状解析や再構成作業に有効であることが示されている。 本稿では,通常のベクトルを入力として必要としない分岐ガイド型形状表現学習手法を提案する。
  論文  参考訳（メタデータ） (2021-06-21T02:10:03Z)
• PRIN/SPRIN: On Extracting Point-wise Rotation Invariant Features [91.2054994193218]
  点群解析における回転不変特徴抽出に着目した点集合学習フレームワークPRINを提案する。 さらに、PRINをスパースポイントクラウド上で直接動作するSPRINと呼ばれるスパースバージョンに拡張します。 その結果、ランダムに回転した点群を持つデータセットでは、SPRINはデータ拡張なしで最先端の方法よりも優れたパフォーマンスを発揮します。
  論文  参考訳（メタデータ） (2021-02-24T06:44:09Z)
• Learning Rotation-Invariant Representations of Point Clouds Using Aligned Edge Convolutional Neural Networks [29.3830445533532]
  ポイントクラウド分析は、シーンの深さを正確に測定できる3Dセンサーの開発によって、関心が高まる分野である。 点群解析に深層学習技術を適用することは、これらの手法が見えない回転に一般化できないため、簡単ではありません。 この制限に対処するには、通常、トレーニングデータを強化する必要があり、これは余分な計算につながる可能性があり、より大きなモデルの複雑さを必要とする。 本稿では,局所参照フレーム(LRF)に対する点群の特徴表現を学習する,Aligned Edge Convolutional Neural Network(AECNN)と呼ばれる新しいニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2021-01-02T17:36:00Z)
• 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)
• PIE-NET: Parametric Inference of Point Cloud Edges [40.27043782820615]
  我々は3Dポイントクラウドデータの特徴エッジを堅牢に識別するエンドツーエンドの学習技術を紹介した。 私たちのディープニューラルネットワークは、PIE-NETと呼ばれ、エッジのパラメトリック推論のために訓練されています。
  論文  参考訳（メタデータ） (2020-07-09T15:35:10Z)

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。