論文の概要: NoiseTrans: Point Cloud Denoising with Transformers

• arxiv url: http://arxiv.org/abs/2304.11812v1
• Date: Mon, 24 Apr 2023 04:01:23 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-25 16:18:21.237823
• Title: NoiseTrans: Point Cloud Denoising with Transformers
• Title（参考訳）: noisetrans: トランスフォーマーによるポイントクラウド
• Authors: Guangzhe Hou, Guihe Qin, Minghui Sun, Yanhua Liang, Jie Yan, Zhonghan Zhang
• Abstract要約: 我々は,変圧器エンコーダアーキテクチャをポイントクラウドデノーミングに用いる新しいモデルであるNossTransを設計する。 我々は変圧器の中核自己保持機構の助けを借りて点ベースの点雲の構造的類似性を得る。 実験により,本モデルが各種データセットや騒音環境における最先端手法より優れていることが示された。
• 参考スコア（独自算出の注目度）: 4.143032261649984
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Point clouds obtained from capture devices or 3D reconstruction techniques are often noisy and interfere with downstream tasks. The paper aims to recover the underlying surface of noisy point clouds. We design a novel model, NoiseTrans, which uses transformer encoder architecture for point cloud denoising. Specifically, we obtain structural similarity of point-based point clouds with the assistance of the transformer's core self-attention mechanism. By expressing the noisy point cloud as a set of unordered vectors, we convert point clouds into point embeddings and employ Transformer to generate clean point clouds. To make the Transformer preserve details when sensing the point cloud, we design the Local Point Attention to prevent the point cloud from being over-smooth. In addition, we also propose sparse encoding, which enables the Transformer to better perceive the structural relationships of the point cloud and improve the denoising performance. Experiments show that our model outperforms state-of-the-art methods in various datasets and noise environments.
• Abstract（参考訳）: 捕獲装置や3次元復元技術から得られる点雲は、しばしば騒がしく下流タスクに干渉する。 この論文は、ノイズ点雲の底面を回復することを目的としている。 我々は,変圧器エンコーダアーキテクチャを用いた新しいモデルである noisetrans を設計した。 具体的には,変圧器のコア・セルフ・アテンション機構を利用して点ベースの点雲の構造的類似性を得る。 ノイズの多い点雲を非順序ベクトルの集合として表現することにより、点雲を点埋め込みに変換し、トランスフォーマーを用いてクリーンな点雲を生成する。 ポイントクラウドを検知する際、Transformerが詳細を保存するために、ポイントクラウドの過度なスムース化を防ぐために、ローカルポイントアテンションを設計する。 さらに,トランスフォーマーがポイントクラウドの構造的関係をよりよく認識し,ノイズ発生性能を向上させるためのスパース符号化も提案する。 実験により,本モデルが各種データセットや騒音環境における最先端手法より優れていることが示された。

関連論文リスト

• Rendering-Oriented 3D Point Cloud Attribute Compression using Sparse Tensor-based Transformer [52.40992954884257]
  3D視覚化技術は、私たちがデジタルコンテンツと対話する方法を根本的に変えてきた。 ポイントクラウドの大規模データサイズは、データ圧縮において大きな課題を呈している。 そこで我々はPCACと差別化可能なレンダリングをシームレスに統合する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を提案する。
  論文  参考訳（メタデータ） (2024-11-12T16:12:51Z)
• Applying Plain Transformers to Real-World Point Clouds [0.0]
  この研究は、現実世界のポイントクラウド理解におけるプレーントランスフォーマーを再考する。 誘導バイアスの欠如による性能ギャップを解消するため,マスク付きオートエンコーダ(MAE)を用いた自己教師型事前訓練について検討した。 我々のモデルは,S3DISデータセットのセマンティックセグメンテーションとScanNetデータセットのオブジェクト検出において,計算コストの低いSOTA結果を実現する。
  論文  参考訳（メタデータ） (2023-02-28T21:06:36Z)
• 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)
• Pix4Point: Image Pretrained Standard Transformers for 3D Point Cloud Understanding [62.502694656615496]
  本稿では、プログレッシブ・ポイント・パッチ・エンベディングと、PViTと呼ばれる新しいポイント・クラウド・トランスフォーマーモデルを提案する。 PViTはTransformerと同じバックボーンを共有しているが、データに対して空腹が少ないことが示されており、Transformerは最先端技術に匹敵するパフォーマンスを実現することができる。 我々は、イメージ領域で事前訓練されたトランスフォーマーを活用して、下流のクラウド理解を強化する、シンプルで効果的なパイプライン「Pix4Point」を定式化します。
  論文  参考訳（メタデータ） (2022-08-25T17:59:29Z)
• Point-BERT: Pre-training 3D Point Cloud Transformers with Masked Point Modeling [104.82953953453503]
  BERTの概念を3Dポイントクラウドに一般化するための新しいパラダイムであるPoint-BERTを提案する。 提案したBERTスタイルの事前学習戦略は,標準点クラウドトランスフォーマーの性能を著しく向上することを示す実験である。
  論文  参考訳（メタデータ） (2021-11-29T18:59:03Z)
• PU-Transformer: Point Cloud Upsampling Transformer [38.05362492645094]
  我々は、疎入力データから高密度高忠実点雲を生成することを目的とした点群アップサンプリングタスクに焦点をあてる。 具体的には,特徴表現における変換器の強みを活性化するために,多頭部自己注意構造の新しい変種を開発する。 我々は,従来のCNN手法と比較し,提案手法の優れた性能を示す。
  論文  参考訳（メタデータ） (2021-11-24T03:25:35Z)
• Deep Point Cloud Reconstruction [74.694733918351]
  3Dスキャンから得られる点雲は、しばしばスパース、ノイズ、不規則である。 これらの問題に対処するため、最近の研究は別々に行われ、不正確な点雲を密度化、復調し、完全な不正確な点雲を観測している。 本研究では,1) 初期密度化とデノナイズのための3次元スパース集積時間ガラスネットワーク,2) 離散ボクセルを3Dポイントに変換するトランスフォーマーによる改良,の2段階からなる深部点雲再構成ネットワークを提案する。
  論文  参考訳（メタデータ） (2021-11-23T07:53:28Z)
• 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)
• Differentiable Manifold Reconstruction for Point Cloud Denoising [23.33652755967715]
  3次元点雲は、取得装置の固有の制限のため、ノイズによって乱されることが多い。 雑音のある点の雲の基底多様体を、異なる部分標本化点から学習することを提案する。 提案手法は, 合成雑音と実環境騒音の両面において, 最先端の復調法を著しく上回ることを示す。
  論文  参考訳（メタデータ） (2020-07-27T13:31:41Z)

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。