論文の概要: PU-EdgeFormer: Edge Transformer for Dense Prediction in Point Cloud Upsampling

• arxiv url: http://arxiv.org/abs/2305.01148v1
• Date: Tue, 2 May 2023 01:42:47 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-03 15:42:45.545828
• Title: PU-EdgeFormer: Edge Transformer for Dense Prediction in Point Cloud Upsampling
• Title（参考訳）: PU-EdgeFormer:ポイントクラウドアップサンプリングにおけるディエンス予測のためのエッジトランス
• Authors: Dohoon Kim, Minwoo Shin, Joonki Paik
• Abstract要約: 本稿ではPU-EdgeFormerで表される点雲アップサンプリングのためのグラフ畳み込みと変換器について述べる。 We use graph convolution using EdgeConv, which learns the local geometry and global structure of point cloud than existing point-to-feature method。
• 参考スコア（独自算出の注目度）: 4.125187280299247
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Despite the recent development of deep learning-based point cloud upsampling, most MLP-based point cloud upsampling methods have limitations in that it is difficult to train the local and global structure of the point cloud at the same time. To solve this problem, we present a combined graph convolution and transformer for point cloud upsampling, denoted by PU-EdgeFormer. The proposed method constructs EdgeFormer unit that consists of graph convolution and multi-head self-attention modules. We employ graph convolution using EdgeConv, which learns the local geometry and global structure of point cloud better than existing point-to-feature method. Through in-depth experiments, we confirmed that the proposed method has better point cloud upsampling performance than the existing state-of-the-art method in both subjective and objective aspects. The code is available at https://github.com/dohoon2045/PU-EdgeFormer.
• Abstract（参考訳）: ディープラーニングベースのポイントクラウドアップサンプリングが最近開発されているにもかかわらず、ほとんどのmlpベースのポイントクラウドアップサンプリング手法は、ポイントクラウドのローカルおよびグローバルな構造を同時にトレーニングすることが難しいという制限を持っている。 そこで本研究では,ポイントクラウドアップサンプリングのためのグラフ畳み込みとトランスフォーマを組み合わせ,pu-edgeformer で表現する。 提案手法は,グラフ畳み込みとマルチヘッド自己注意モジュールからなるEdgeFormerユニットを構成する。 edgeconvを使ってグラフ畳み込みを行い、既存のポイント・ツー・フィーチャー法よりもポイント・クラウドの局所幾何と大域構造を学習する。 実験により,提案手法は主観的,客観的両面において,既存の最先端手法よりも雲のアップサンプリング性能がよいことを確認した。 コードはhttps://github.com/dohoon2045/PU-EdgeFormerで入手できる。

関連論文リスト

• P2P-Bridge: Diffusion Bridges for 3D Point Cloud Denoising [81.92854168911704]
  私たちは、Diffusion Schr"odingerブリッジをポイントクラウドに適応させる新しいフレームワークを通じて、ポイントクラウドを飾るタスクに取り組みます。 オブジェクトデータセットの実験では、P2P-Bridgeは既存のメソッドよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2024-08-29T08:00:07Z)
• Patch-Wise Point Cloud Generation: A Divide-and-Conquer Approach [83.05340155068721]
  分割・分散アプローチを用いた新しい3dポイントクラウド生成フレームワークを考案する。 すべてのパッチジェネレータは学習可能な事前情報に基づいており、幾何学的プリミティブの情報を取得することを目的としている。 最も人気のあるポイントクラウドデータセットであるShapeNetのさまざまなオブジェクトカテゴリに関する実験結果は、提案したパッチワイドポイントクラウド生成の有効性を示している。
  論文  参考訳（メタデータ） (2023-07-22T11:10:39Z)
• HybridFusion: LiDAR and Vision Cross-Source Point Cloud Fusion [15.94976936555104]
  我々はHybridFusionと呼ばれるクロスソース点雲融合アルゴリズムを提案する。 アウトドアの大きなシーンでは、異なる視角から、ソース間の密集点雲を登録することができる。 提案手法は,定性的,定量的な実験を通じて総合的に評価される。
  論文  参考訳（メタデータ） (2023-04-10T10:54:54Z)
• 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)
• PU-EVA: An Edge Vector based Approximation Solution for Flexible-scale Point Cloud Upsampling [4.418205951027186]
  スパース、ノイズ、および一様でない点雲のアップサンプリングは難しい作業だ。 フレキシブルスケールの点群アップサンプリング(PU-EVA)のためのエッジベクトルに基づく近似の新しい設計法を提案する。 EVAアップサンプリングは、ネットワークアーキテクチャによるアップサンプリングスケールを分離し、1回のトレーニングでフレキシブルアップサンプリングレートを達成する。
  論文  参考訳（メタデータ） (2022-04-22T15:14:05Z)
• 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)
• 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)
• SSPU-Net: Self-Supervised Point Cloud Upsampling via Differentiable Rendering [21.563862632172363]
  地中真理を使わずに高密度の点雲を生成するための自己教師付き点雲アップサンプリングネットワーク(SSPU-Net)を提案する。 これを実現するために,入力スパース点雲と高密度点雲との整合性を利用して画像の形状と描画を行う。
  論文  参考訳（メタデータ） (2021-08-01T13:26:01Z)
• "Zero Shot" Point Cloud Upsampling [4.737519767218666]
  本稿では,Zero Shot" Point Cloud Upsampling (ZSPU) と呼ばれる点群を総括的に監視する手法を提案する。 我々のアプローチは、自己学習とテストの両方のフェーズにパッチを当てることなく、特定のポイントクラウドによって提供される内部情報のみに基づいています。 ZSPUは、複雑な局所的な詳細や高い曲率を持つ形状の質的な結果を得る。
  論文  参考訳（メタデータ） (2021-06-25T17:06:18Z)
• FKAConv: Feature-Kernel Alignment for Point Cloud Convolution [75.85619090748939]
  多数の点畳み込み法を関連づけ解析するための定式化を提供する。 また、幾何学のないカーネル重み付けの推定を分離する独自の畳み込み変種も提案する。 分類とセマンティックセグメンテーションのベンチマークで競合する結果を示す。
  論文  参考訳（メタデータ） (2020-04-09T10:12:45Z)

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。