論文の概要: Hyperspherical Embedding for Point Cloud Completion
- arxiv url: http://arxiv.org/abs/2307.05634v1
- Date: Tue, 11 Jul 2023 08:18:37 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-13 15:47:10.122463
- Title: Hyperspherical Embedding for Point Cloud Completion
- Title(参考訳): 点雲完成のための超球面埋め込み
- Authors: Junming Zhang, Haomeng Zhang, Ram Vasudevan, Matthew Johnson-Roberson
- Abstract要約: 本稿では,エンコーダから単位超球面への埋め込みを変換し,正規化する超球面モジュールを提案する。
理論的には超球面埋め込みを解析し、より広い学習率とよりコンパクトな埋め込み分布でより安定したトレーニングを可能にすることを示す。
実験結果から,シングルタスク学習とマルチタスク学習の両方において,ポイントクラウドの完成度が一貫した改善を示した。
- 参考スコア(独自算出の注目度): 25.41194214006682
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Most real-world 3D measurements from depth sensors are incomplete, and to
address this issue the point cloud completion task aims to predict the complete
shapes of objects from partial observations. Previous works often adapt an
encoder-decoder architecture, where the encoder is trained to extract
embeddings that are used as inputs to generate predictions from the decoder.
However, the learned embeddings have sparse distribution in the feature space,
which leads to worse generalization results during testing. To address these
problems, this paper proposes a hyperspherical module, which transforms and
normalizes embeddings from the encoder to be on a unit hypersphere. With the
proposed module, the magnitude and direction of the output hyperspherical
embedding are decoupled and only the directional information is optimized. We
theoretically analyze the hyperspherical embedding and show that it enables
more stable training with a wider range of learning rates and more compact
embedding distributions. Experiment results show consistent improvement of
point cloud completion in both single-task and multi-task learning, which
demonstrates the effectiveness of the proposed method.
- Abstract(参考訳): 深度センサーからの現実世界の3d計測のほとんどは不完全であり、この問題に対処するためpoint cloud completionタスクは、部分的な観測から物体の完全な形状を予測することを目的としている。
エンコーダは入力として使用される埋め込みを抽出してデコーダから予測を生成するために訓練される。
しかし、学習された埋め込みは特徴空間にスパース分布を持ち、テスト中の一般化結果が悪化する。
これらの問題に対処するために,エンコーダからの埋め込みを単位超球上へ変換・正規化する超球形モジュールを提案する。
提案モジュールでは,出力超球面埋め込みの大きさと方向を分離し,方向情報のみを最適化する。
超球面埋め込みを理論的に解析し、より広い学習率とよりコンパクトな埋め込み分布でより安定したトレーニングを可能にすることを示した。
実験の結果,シングルタスク学習とマルチタスク学習の両方において,一貫したポイントクラウド補完の改善が示され,提案手法の有効性が示された。
関連論文リスト
- A Fresh Take on Stale Embeddings: Improving Dense Retriever Training with Corrector Networks [81.2624272756733]
密集検索では、ディープエンコーダは入力とターゲットの両方に埋め込みを提供する。
我々は、古いキャッシュされたターゲット埋め込みを調整できる小さなパラメトリック補正ネットワークを訓練する。
私たちのアプローチは、トレーニング中にターゲット埋め込み更新が行われなくても、最先端の結果と一致します。
論文 参考訳(メタデータ) (2024-09-03T13:29:13Z) - IPoD: Implicit Field Learning with Point Diffusion for Generalizable 3D Object Reconstruction from Single RGB-D Images [50.4538089115248]
シングルビューRGB-D画像からの3Dオブジェクトの汎用化は依然として難しい課題である。
本稿では,暗黙の場学習と点拡散を調和させる新しい手法IPoDを提案する。
CO3D-v2データセットによる実験では、IPoDの優位性が確認され、Fスコアは7.8%、チャンファー距離は28.6%向上した。
論文 参考訳(メタデータ) (2024-03-30T07:17:37Z) - Learning Signed Hyper Surfaces for Oriented Point Cloud Normal Estimation [53.19926259132379]
我々は,符号付きハイパー曲面の学習による点雲の向きの正規分布推定のためのSHS-Netと呼ばれる新しい手法を提案する。
符号付き超曲面は、局所的および大域的な情報を集約する高次元特徴空間において暗黙的に学習される。
注意重み付き正規予測モジュールをデコーダとして提案し,局所およびグローバル潜時符号を入力として向きの正規を推定する。
論文 参考訳(メタデータ) (2023-05-10T03:40:25Z) - 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) - Upsampling Autoencoder for Self-Supervised Point Cloud Learning [11.19408173558718]
人間のアノテーションを使わずに、ポイントクラウド学習のための自己教師付き事前学習モデルを提案する。
アップサンプリング操作は、ポイントクラウドの高レベルセマンティック情報と低レベル幾何情報の両方を捕捉することをネットワークに促す。
我々のUAEは、形状分類、部分分割、点雲アップサンプリングタスクにおいて、従来の最先端手法よりも優れています。
論文 参考訳(メタデータ) (2022-03-21T07:20:37Z) - 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) - Point Cloud Pre-training by Mixing and Disentangling [35.18101910728478]
Mixing and Disentangling (MD)は、ポイントクラウド事前トレーニングのための自己教師付き学習アプローチである。
我々は,エンコーダ+我々の(MD)が,スクラッチから訓練したエンコーダを著しく上回り,迅速に収束することを示す。
この自己教師型学習によるポイントクラウドの試みが、大規模ラベル付きデータへの深い学習モデル依存を減らす道を開くことを願っている。
論文 参考訳(メタデータ) (2021-09-01T15:52:18Z) - Data-driven Cloud Clustering via a Rotationally Invariant Autoencoder [10.660968055962325]
自動回転不変クラウドクラスタリング(RICC)法について述べる。
大規模なデータセット内のクラウドイメージを教師なしの方法で整理する。
その結果、クラウドクラスタはクラウド物理の有意義な側面を捉えていることが示唆された。
論文 参考訳(メタデータ) (2021-03-08T16:45:14Z) - 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)
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。