論文の概要: Grad-PU: Arbitrary-Scale Point Cloud Upsampling via Gradient Descent with Learned Distance Functions

• arxiv url: http://arxiv.org/abs/2304.11846v1
• Date: Mon, 24 Apr 2023 06:36:35 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-25 15:57:48.440947
• Title: Grad-PU: Arbitrary-Scale Point Cloud Upsampling via Gradient Descent with Learned Distance Functions
• Title（参考訳）: Grad-PU: 学習距離関数付き勾配Descentによる任意スケールポイントクラウドアップサンプリング
• Authors: Yun He and Danhang Tang and Yinda Zhang and Xiangyang Xue and Yanwei Fu
• Abstract要約: 我々は、任意のアップサンプリングレートをサポートする、正確なポイントクラウドアップサンプリングのための新しいフレームワークを提案する。 提案手法は,まず,所定のアップサンプリング率に応じて低解像度の雲を補間する。
• 参考スコア（独自算出の注目度）: 77.32043242988738
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Most existing point cloud upsampling methods have roughly three steps: feature extraction, feature expansion and 3D coordinate prediction. However,they usually suffer from two critical issues: (1)fixed upsampling rate after one-time training, since the feature expansion unit is customized for each upsampling rate; (2)outliers or shrinkage artifact caused by the difficulty of precisely predicting 3D coordinates or residuals of upsampled points. To adress them, we propose a new framework for accurate point cloud upsampling that supports arbitrary upsampling rates. Our method first interpolates the low-res point cloud according to a given upsampling rate. And then refine the positions of the interpolated points with an iterative optimization process, guided by a trained model estimating the difference between the current point cloud and the high-res target. Extensive quantitative and qualitative results on benchmarks and downstream tasks demonstrate that our method achieves the state-of-the-art accuracy and efficiency.
• Abstract（参考訳）: 既存のポイントクラウドアップサンプリング手法のほとんどが、機能抽出、機能拡張、および3d座標予測の3つのステップを持っている。 しかし,(1)ワンタイムトレーニング後のアップサンプリングレートは,各アップサンプリングレートごとに特徴拡張ユニットがカスタマイズされているため,(2)3次元座標やアップサンプリングポイントの残差を正確に予測できないことによるアウトリアーティファクトや縮小アーティファクトが問題となっている。 そこで我々は,任意のアップサンプリングレートをサポートする,正確なポイントクラウドアップサンプリングのための新しいフレームワークを提案する。 提案手法は,まず所定のアップサンプリング率に応じて低解像度の雲を補間する。 そして、現在点雲と高精細目標との差を推定する訓練されたモデルによって導かれる反復最適化プロセスによって補間点の位置を洗練する。 ベンチマークや下流タスクにおける定量的および定性的な結果から,本手法が最先端の精度と効率を達成することを示す。

関連論文リスト

• Curvature Informed Furthest Point Sampling [0.0]
  ファテスト点サンプリング(FPS)を強化する強化学習に基づくサンプリングアルゴリズムを提案する。 提案手法は,FPS由来のソフトランクと深部ニューラルネットワークによる曲率スコアを組み合わせることで,ポイントをランク付けする。 我々は,各特徴が性能に与える影響について,質的および定量的に考察した総合的アブレーション研究を提供する。
  論文  参考訳（メタデータ） (2024-11-25T23:58:38Z)
• Arbitrary-Scale Point Cloud Upsampling by Voxel-Based Network with Latent Geometric-Consistent Learning [52.825441454264585]
  Voxel-based Network (textbfPU-VoxelNet) を用いた任意のスケールのクラウド・アップサンプリング・フレームワークを提案する。 ボクセル表現から継承された完全性と規則性により、ボクセルベースのネットワークは3次元表面を近似する事前定義されたグリッド空間を提供することができる。 密度誘導グリッド再サンプリング法を開発し、高忠実度点を生成するとともに、サンプリング出力を効果的に回避する。
  論文  参考訳（メタデータ） (2024-03-08T07:31:14Z)
• Learning Continuous Implicit Field with Local Distance Indicator for Arbitrary-Scale Point Cloud Upsampling [55.05706827963042]
  点雲アップサンプリングは、疎点雲から密度が高く均一に分散した点集合を生成することを目的としている。 従来のメソッドは通常、スパースポイントクラウドをいくつかのローカルパッチ、アップサンプルパッチポイント、すべてのアップサンプルパッチにマージする。 そこで本研究では,点雲のアップサンプリングのために,局所的な先行者によって導かれる符号のない距離場を学習する手法を提案する。
  論文  参考訳（メタデータ） (2023-12-23T01:52:14Z)
• iPUNet:Iterative Cross Field Guided Point Cloud Upsampling [20.925921503694894]
  3Dスキャン装置によって取得される点雲は、しばしば疎く、ノイズが多く、一様ではないため、幾何学的特徴が失われる。 任意の比率で高密度および均一な点を生成する学習ベースポイントアップサンプリング手法iPUNetを提案する。 iPUNetは、ノイズや不均一に分散された入力を処理し、最先端のクラウドサンプリング手法より優れていることを示す。
  論文  参考訳（メタデータ） (2023-10-13T13:24:37Z)
• BIMS-PU: Bi-Directional and Multi-Scale Point Cloud Upsampling [60.257912103351394]
  我々はBIMS-PUと呼ばれる新しいポイント・クラウド・アップサンプリング・パイプラインを開発した。 対象のサンプリング因子を小さな因子に分解することにより,アップ/ダウンサンプリング手順をいくつかのアップ/ダウンサンプリングサブステップに分解する。 提案手法は最先端手法よりも優れた結果が得られることを示す。
  論文  参考訳（メタデータ） (2022-06-25T13:13:37Z)
• Self-Supervised Arbitrary-Scale Point Clouds Upsampling via Implicit Neural Representation [79.60988242843437]
  そこで本研究では,自己監督型および倍率フレキシブルな点雲を同時にアップサンプリングする手法を提案する。 実験結果から, 自己教師あり学習に基づく手法は, 教師あり学習に基づく手法よりも, 競争力や性能が向上することが示された。
  論文  参考訳（メタデータ） (2022-04-18T07:18:25Z)
• PC2-PU: Patch Correlation and Position Correction for Effective Point Cloud Upsampling [12.070762117164092]
  点雲アップサンプリングは、3Dセンサーから取得したスパース点を密度化することである。 既存の方法は単一のパッチ上でアップサンプリングを行い、表面全体のコヒーレンスと関係を無視している。 本稿では,より堅牢で改良された性能を実現するために,より効率的な点群アップサンプリング法を提案する。
  論文  参考訳（メタデータ） (2021-09-20T07:40:20Z)
• SPU-Net: Self-Supervised Point Cloud Upsampling by Coarse-to-Fine Reconstruction with Self-Projection Optimization [52.20602782690776]
  実際のスキャンされたスパースデータからトレーニング用の大規模なペアリングスパーススキャンポイントセットを得るのは高価で面倒です。 本研究では,SPU-Net と呼ばれる自己監視型点群アップサンプリングネットワークを提案する。 本研究では,合成データと実データの両方について様々な実験を行い,最先端の教師付き手法と同等の性能が得られることを示す。
  論文  参考訳（メタデータ） (2020-12-08T14:14:09Z)

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。