論文の概要: Rethinking the Approximation Error in 3D Surface Fitting for Point Cloud Normal Estimation

• arxiv url: http://arxiv.org/abs/2303.17167v1
• Date: Thu, 30 Mar 2023 05:59:43 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-31 14:15:45.994706
• Title: Rethinking the Approximation Error in 3D Surface Fitting for Point Cloud Normal Estimation
• Title（参考訳）: 点雲正規推定のための3次元表面フィッティングにおける近似誤差の再検討
• Authors: Hang Du, Xuejun Yan, Jingjing Wang, Di Xie, Shiliang Pu
• Abstract要約: 推定値と精密表面標準値のギャップを埋めるための基本設計原則を2つ提示する。 この2つの原理をディープニューラルネットワークを用いて実装し、プラグアンドプレイ方式で最先端のSOTA(State-of-the-art)正規推定手法と統合する。
• 参考スコア（独自算出の注目度）: 39.79759035338819
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Most existing approaches for point cloud normal estimation aim to locally fit a geometric surface and calculate the normal from the fitted surface. Recently, learning-based methods have adopted a routine of predicting point-wise weights to solve the weighted least-squares surface fitting problem. Despite achieving remarkable progress, these methods overlook the approximation error of the fitting problem, resulting in a less accurate fitted surface. In this paper, we first carry out in-depth analysis of the approximation error in the surface fitting problem. Then, in order to bridge the gap between estimated and precise surface normals, we present two basic design principles: 1) applies the $Z$-direction Transform to rotate local patches for a better surface fitting with a lower approximation error; 2) models the error of the normal estimation as a learnable term. We implement these two principles using deep neural networks, and integrate them with the state-of-the-art (SOTA) normal estimation methods in a plug-and-play manner. Extensive experiments verify our approaches bring benefits to point cloud normal estimation and push the frontier of state-of-the-art performance on both synthetic and real-world datasets.
• Abstract（参考訳）: ポイントクラウド正規推定の既存のアプローチのほとんどは、幾何学的曲面を局所的に適合させ、適合した曲面から正規値を計算することを目的としている。 近年, 学習に基づく手法では, 重み付き最小二乗曲面フィッティング問題を解くために, 点方向の重み付けを予測するルーチンが採用されている。 顕著な進歩にもかかわらず、これらの手法はフィッティング問題の近似誤差を見落とし、より精度の低いフィッティング面となる。 本稿では,まず,表面フィッティング問題における近似誤差の深い解析を行う。 そして、推定表面標準値と正確な表面標準値のギャップを埋めるために、2つの基本設計原則を提示する。 1) 局所パッチの回転には$Z$-direction Transformを適用する。 2) 通常の推定誤差を学習可能な用語としてモデル化する。 この2つの原理をディープニューラルネットワークを用いて実装し、プラグアンドプレイ方式で最先端(SOTA)正規推定手法と統合する。 広範な実験による検証 私たちのアプローチは、ポイントクラウドの正規推定にメリットをもたらし、合成データと実世界のデータセットの両方において最先端のパフォーマンスのフロンティアを押し上げます。

関連論文リスト

• ND-SDF: Learning Normal Deflection Fields for High-Fidelity Indoor Reconstruction [50.07671826433922]
  微妙な幾何を同時に復元し、異なる特徴を持つ領域をまたいだ滑らかさを保つことは自明ではない。 そこで我々は,ND-SDFを提案する。ND-SDFは,通常のシーンとそれ以前のシーンの角偏差を表す正規偏向場を学習する。 本手法は, 壁面や床面などのスムーズなテクスチャ構造を得るだけでなく, 複雑な構造の幾何学的詳細も保存する。
  論文  参考訳（メタデータ） (2024-08-22T17:59:01Z)
• Surface Normal Estimation with Transformers [11.198936434401382]
  ノイズと密度の変動を考慮した点群から正規分布を正確に予測する変換器を提案する。 本手法は,合成形状データセットPCPNetと実世界の屋内シーンPCPNNの両方で最先端の性能を実現する。
  論文  参考訳（メタデータ） (2024-01-11T08:52:13Z)
• NeuralGF: Unsupervised Point Normal Estimation by Learning Neural Gradient Function [55.86697795177619]
  3次元点雲の正規推定は3次元幾何処理の基本的な課題である。 我々は,ニューラルネットワークが入力点雲に適合することを奨励する,ニューラルグラデーション関数の学習のための新しいパラダイムを導入する。 広範に使用されているベンチマークの優れた結果から,本手法は非指向性および指向性正常推定タスクにおいて,より正確な正規性を学習できることが示されている。
  論文  参考訳（メタデータ） (2023-11-01T09:25:29Z)
• Learning Signed Hyper Surfaces for Oriented Point Cloud Normal Estimation [53.19926259132379]
  我々は,符号付きハイパー曲面の学習による点雲の向きの正規分布推定のためのSHS-Netと呼ばれる新しい手法を提案する。 符号付き超曲面は、局所的および大域的な情報を集約する高次元特徴空間において暗黙的に学習される。 注意重み付き正規予測モジュールをデコーダとして提案し,局所およびグローバル潜時符号を入力として向きの正規を推定する。
  論文  参考訳（メタデータ） (2023-05-10T03:40:25Z)
• Weighted Point Cloud Normal Estimation [16.26518988623745]
  本稿では,3次元点雲データに対する重み付き正規推定手法を提案する。 局所的な点パッチから点の重みを推定する新しい重み付き正規回帰手法を提案する。 提案手法は,合成および実世界の両方のデータセット上で,最先端の性能を実現することで,ノイズや複雑な点群を頑健に処理することができる。
  論文  参考訳（メタデータ） (2023-05-06T10:46:56Z)
• 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)
• AdaFit: Rethinking Learning-based Normal Estimation on Point Clouds [31.641383879577894]
  本稿では,AdaFit という,雑音と密度の変動を伴う点雲に対処可能な,点雲上でのロバストな正規推定のためのニューラルネットワークを提案する。 既存の研究では、ネットワークを用いて最小表面の重み付けの点での重みを学習し、正規性を推定している。 そこで本研究では,通常の推定精度を向上させるために,新たなオフセット予測を付加する,シンプルで効果的な解を提案する。
  論文  参考訳（メタデータ） (2021-08-12T16:37:24Z)
• Adaptive Surface Normal Constraint for Depth Estimation [102.7466374038784]
  アダプティブサーフェスノーマル(ASN)制約と呼ばれるシンプルで効果的な手法を導入し、深さ推定と幾何学的一貫性を相関させます。 本手法は3次元形状を忠実に再構成でき,境界,鋭角,雑音などの局所形状変化に頑健である。
  論文  参考訳（メタデータ） (2021-03-29T10:36:25Z)
• DeepFit: 3D Surface Fitting via Neural Network Weighted Least Squares [43.24287146191367]
  本研究では,非構造型3次元点雲の表面フィッティング法を提案する。 DeepFitと呼ばれるこの方法は、ニューラルネットワークを組み込んで、重み付けされた最小二乗表面フィッティングのポイントワイド重みを学習する。
  論文  参考訳（メタデータ） (2020-03-23T09:18:54Z)

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。