論文の概要: 4DSR-GCN: 4D Video Point Cloud Upsampling using Graph Convolutional Networks

• arxiv url: http://arxiv.org/abs/2306.01081v1
• Date: Thu, 1 Jun 2023 18:43:16 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-05 18:10:26.638426
• Title: 4DSR-GCN: 4D Video Point Cloud Upsampling using Graph Convolutional Networks
• Title（参考訳）: 4DSR-GCN:グラフ畳み込みネットワークを用いた4Dビデオポイントクラウドアップサンプリング
• Authors: Lorenzo Berlincioni, Stefano Berretti, Marco Bertini, Alberto Del Bimbo
• Abstract要約: 圧縮後の3次元ビデオポイント雲のアップスケーリングと復元のための新しいソリューションを提案する。 我々のモデルは、動的エッジ畳み込みとグラフ注意ネットワークを組み合わせた、特別に設計されたグラフ畳み込みネットワーク(GCN)で構成されている。
• 参考スコア（独自算出の注目度）: 29.615723135027096
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Time varying sequences of 3D point clouds, or 4D point clouds, are now being acquired at an increasing pace in several applications (e.g., LiDAR in autonomous or assisted driving). In many cases, such volume of data is transmitted, thus requiring that proper compression tools are applied to either reduce the resolution or the bandwidth. In this paper, we propose a new solution for upscaling and restoration of time-varying 3D video point clouds after they have been heavily compressed. In consideration of recent growing relevance of 3D applications, %We focused on a model allowing user-side upscaling and artifact removal for 3D video point clouds, a real-time stream of which would require . Our model consists of a specifically designed Graph Convolutional Network (GCN) that combines Dynamic Edge Convolution and Graph Attention Networks for feature aggregation in a Generative Adversarial setting. By taking inspiration PointNet++, We present a different way to sample dense point clouds with the intent to make these modules work in synergy to provide each node enough features about its neighbourhood in order to later on generate new vertices. Compared to other solutions in the literature that address the same task, our proposed model is capable of obtaining comparable results in terms of quality of the reconstruction, while using a substantially lower number of parameters (about 300KB), making our solution deployable in edge computing devices such as LiDAR.
• Abstract（参考訳）: 3Dポイントクラウド(または4Dポイントクラウド)の時間的変化は、現在、いくつかのアプリケーション(例えば、自動運転やアシスト運転におけるLiDAR)で増加ペースで取得されている。 多くの場合、そのようなデータが送信されるため、適切な圧縮ツールが適用され、解像度または帯域幅が減少する。 本稿では,重く圧縮された後,時間変動する3dビデオポイント雲のスケールアップと復元のための新しいソリューションを提案する。 近年の3Dアプリケーションとの関連性を考慮すると、 % はユーザ側のアップスケーリングと3Dビデオポイントクラウドのアーティファクト削除を可能にするモデルに焦点を当てた。 我々のモデルは、動的エッジ畳み込みとグラフアテンションネットワークを組み合わせた、特に設計されたグラフ畳み込みネットワーク(GCN)から構成される。 PointNet++にインスピレーションを与えることで、これらのモジュールをシナジーで動作させ、各ノードにその周辺に関する十分な機能を提供し、後に新しい頂点を生成するための別の方法を提示します。 同じ課題に対処する文献の他のソリューションと比較して、提案したモデルは、かなり少ないパラメータ(約300KB)を使用しながら、再構成の品質の観点から同等の結果を得ることができるため、LiDARのようなエッジコンピューティングデバイスにソリューションをデプロイすることができる。

関連論文リスト

• StarNet: Style-Aware 3D Point Cloud Generation [82.30389817015877]
  StarNetは、マッピングネットワークを使用して高忠実度および3Dポイントクラウドを再構築し、生成することができる。 我々のフレームワークは、クラウドの再構築と生成タスクにおいて、様々なメトリクスで同等の最先端のパフォーマンスを達成します。
  論文  参考訳（メタデータ） (2023-03-28T08:21:44Z)
• GQE-Net: A Graph-based Quality Enhancement Network for Point Cloud Color Attribute [51.4803148196217]
  本稿では,点雲の色歪みを低減するため,グラフベースの品質向上ネットワーク(GQE-Net)を提案する。 GQE-Netは、幾何学情報を補助入力とグラフ畳み込みブロックとして使用し、局所的な特徴を効率的に抽出する。 実験結果から,本手法は最先端性能を実現することが示された。
  論文  参考訳（メタデータ） (2023-03-24T02:33:45Z)
• A Conditional Point Diffusion-Refinement Paradigm for 3D Point Cloud Completion [69.32451612060214]
  実スキャンされた3Dポイントクラウドはしばしば不完全であり、下流アプリケーションのために完全なポイントクラウドを復元することが重要である。 ほとんどの既存のポイントクラウド補完方法は、トレーニングにチャンファー距離(CD)損失を使用する。 本稿では,点雲完了のためのPDR(Point Diffusion-Refinement)パラダイムを提案する。
  論文  参考訳（メタデータ） (2021-12-07T06:59:06Z)
• ParaNet: Deep Regular Representation for 3D Point Clouds [62.81379889095186]
  ParaNetは、3Dポイントクラウドを表現するための新しい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である。 不規則な3D点雲を通常の2Dカラー画像に変換する。 多視点投影とボキセル化に基づく従来の正規表現法とは異なり、提案した表現は微分可能で可逆である。
  論文  参考訳（メタデータ） (2020-12-05T13:19:55Z)
• Pseudo-LiDAR Point Cloud Interpolation Based on 3D Motion Representation and Spatial Supervision [68.35777836993212]
  我々はPseudo-LiDAR点雲ネットワークを提案し、時間的および空間的に高品質な点雲列を生成する。 点雲間のシーンフローを活用することにより,提案ネットワークは3次元空間運動関係のより正確な表現を学習することができる。
  論文  参考訳（メタデータ） (2020-06-20T03:11:04Z)
• GRNet: Gridding Residual Network for Dense Point Cloud Completion [54.43648460932248]
  完全な3Dポイントクラウドを不完全なクラウドから推定することは、多くのビジョンやロボティクスアプリケーションにおいて重要な問題である。 本稿では,ポイントクラウド補完のための新しいGridding Residual Network(GRNet)を提案する。 実験結果から,提案したGRNetはShapeNet,Completion3D,KITTIベンチマークの最先端手法に対して良好に動作することがわかった。
  論文  参考訳（メタデータ） (2020-06-06T02:46:39Z)

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。