論文の概要: Point-PC: Point Cloud Completion Guided by Prior Knowledge via Causal Inference

• arxiv url: http://arxiv.org/abs/2305.17770v1
• Date: Sun, 28 May 2023 16:33:35 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-30 16:46:30.416263
• Title: Point-PC: Point Cloud Completion Guided by Prior Knowledge via Causal Inference
• Title（参考訳）: ポイントPC:因果推論による事前知識によるポイントクラウド補完
• Authors: Weizhi Nie, Chuanqi Jiao, Ruidong Chen, Weijie Wang, Bruno Lepri, Nicu Sebe and Anan Liu
• Abstract要約: ポイントクラウドの完成は、部分的な観測からスキャナーによって捕獲された生のポイントクラウドを回復することを目的としている。 多くのアプローチでは、欠落した部分がグローバルな特徴によって直接予測される部分完全パラダイムを使用している。 本稿では,メモリネットワークを用いて前方形状を検索する,ポイントPCと呼ばれる新しいクラウド補完手法を提案する。
• 参考スコア（独自算出の注目度）: 88.93771392399364
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Point cloud completion aims to recover raw point clouds captured by scanners from partial observations caused by occlusion and limited view angles. Many approaches utilize a partial-complete paradigm in which missing parts are directly predicted by a global feature learned from partial inputs. This makes it hard to recover details because the global feature is unlikely to capture the full details of all missing parts. In this paper, we propose a novel approach to point cloud completion called Point-PC, which uses a memory network to retrieve shape priors and designs an effective causal inference model to choose missing shape information as additional geometric information to aid point cloud completion. Specifically, we propose a memory operating mechanism where the complete shape features and the corresponding shapes are stored in the form of ``key-value'' pairs. To retrieve similar shapes from the partial input, we also apply a contrastive learning-based pre-training scheme to transfer features of incomplete shapes into the domain of complete shape features. Moreover, we use backdoor adjustment to get rid of the confounder, which is a part of the shape prior that has the same semantic structure as the partial input. Experimental results on the ShapeNet-55, PCN, and KITTI datasets demonstrate that Point-PC performs favorably against the state-of-the-art methods.
• Abstract（参考訳）: ポイント・クラウド・コンプリート(point cloud completion)は、閉塞と視野角の制限による部分的観察からスキャナーが捉えた生のポイント・クラウドを回復することを目的としている。 多くのアプローチでは、部分的な入力から学習した大域的特徴によって、欠落部分を直接予測する部分完全パラダイムを採用している。 これにより、グローバル機能が欠落している部分の完全な詳細を捉えられないため、詳細を復元することが難しくなる。 本稿では,記憶ネットワークを用いて形状先行を検索し,欠落した形状情報を追加の幾何情報として選択する効果的な因果推論モデルを設計し,ポイントクラウド補完を支援するpoint-pcという新しい手法を提案する。 具体的には,完全な形状特徴と対応する形状を ``key-value''' ペアの形式で格納するメモリ操作機構を提案する。 部分入力から類似した形状を取り出すために,不完全形状の特徴を完全形状特徴の領域に伝達するために,コントラスト学習に基づく事前学習手法を適用する。 さらに,部分的な入力と同じ意味構造を持つ,前もって形状の一部であった共同創設者を排除するためにバックドア調整を用いる。 ShapeNet-55、PCN、KITTIデータセットの実験結果から、Point-PCは最先端の手法に対して良好に動作することが示された。

関連論文リスト

• Self-supervised 3D Point Cloud Completion via Multi-view Adversarial Learning [61.14132533712537]
  我々は、オブジェクトレベルとカテゴリ固有の幾何学的類似性の両方を効果的に活用するフレームワークであるMAL-SPCを提案する。 私たちのMAL-SPCは3Dの完全な監視を一切必要とせず、各オブジェクトに1つの部分点クラウドを必要とするだけです。
  論文  参考訳（メタデータ） (2024-07-13T06:53:39Z)
• P2C: Self-Supervised Point Cloud Completion from Single Partial Clouds [44.02541315496045]
  ポイント雲の完成は、部分的な観測に基づいて完全な形状を復元することを目的としている。 既存の手法では、学習には完全な点雲か、同じ物体の複数の部分的な観察が必要である。 Part2Completeは、ポイントクラウドオブジェクトを補完する最初の自己管理型フレームワークです。
  論文  参考訳（メタデータ） (2023-07-27T09:31:01Z)
• Variational Relational Point Completion Network for Robust 3D Classification [59.80993960827833]
  可変点雲補完法は、局所的な詳細を欠くため、大域的な形状の骨格を生成する傾向がある。 本稿では2つの魅力的な特性を持つ変分フレームワークであるポイントコンプリートネットワーク(VRCNet)を提案する。 VRCNetは、現実世界のポイントクラウドスキャンにおいて、非常に一般化性と堅牢性を示している。
  論文  参考訳（メタデータ） (2023-04-18T17:03:20Z)
• Prototype-Aware Heterogeneous Task for Point Cloud Completion [35.47134205562422]
  ポイントクラウド補完は、部分的なポイントクラウドから元の形状情報を復元することを目的としている。 既存の方法は通常標準形状の完成に成功し、非標準形状の点雲の局所的な詳細を生成できない。 本研究では,クラス内形状表現の助けを借りて,標準形・非標準形を識別する効果的な手法を設計する。
  論文  参考訳（メタデータ） (2022-09-05T02:43:06Z)
• Variational Relational Point Completion Network [41.98957577398084]
  既存のポイントクラウド補完メソッドは、グローバルシェイプスケルトンを生成し、細かいローカル詳細を欠いています。 本稿では,2つの特性を持つ変分点コンプリートネットワーク(VRCNet)を提案する。 VRCNetは、現実世界のポイントクラウドスキャンで、大きな可能性と堅牢性を示します。
  論文  参考訳（メタデータ） (2021-04-20T17:53:40Z)
• Refinement of Predicted Missing Parts Enhance Point Cloud Completion [62.997667081978825]
  点雲完了は、部分的な観測から3次元形状の点集合表現を用いて完全な幾何学を予測するタスクである。 従来のアプローチでは、不完全点集合によって供給されるエンコーダ・デコーダモデルにより、点雲全体を直接推定するニューラルネットワークが提案されていた。 本稿では、欠落した幾何を計算し、既知の入力と予測点クラウドを融合することに焦点を当てたエンドツーエンドニューラルネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-10-08T22:01:23Z)
• Point Cloud Completion by Learning Shape Priors [74.80746431691938]
  形状の先行には、完全点雲と部分点雲の両方の幾何学的情報が含まれる。 完全点から先行する形状を学習するための特徴アライメント戦略を設計し、微細な段階で部分的な事前を組み込むための粗い微妙な戦略を設計する。 我々はポイントクラウド完了タスクで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2020-08-02T04:00:32Z)
• Point Cloud Completion by Skip-attention Network with Hierarchical Folding [61.59710288271434]
  本研究では,3Dポイントクラウド補完のためのSkip-Attention Network (SA-Net)を提案する。 まず,不完全点雲の局所構造を効果的に活用するためのスキップアテンション機構を提案する。 第二に、異なる解像度でスキップアテンション機構によって符号化された選択された幾何情報を完全に活用するために、新しい構造保存デコーダを提案する。
  論文  参考訳（メタデータ） (2020-05-08T06:23:51Z)
• Cascaded Refinement Network for Point Cloud Completion [74.80746431691938]
  本稿では,細かな物体形状を合成するための粗大な戦略とともに,カスケード型精細化ネットワークを提案する。 部分入力の局所的な詳細と大域的な形状情報を合わせて考えると、既存の詳細を不完全点集合に保存することができる。 また、各局所領域が同じパターンと基底的真理を持つことを保証し、複雑な点分布を学習するパッチ判別器を設計する。
  論文  参考訳（メタデータ） (2020-04-07T13:03:29Z)

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。