論文の概要: PolyGNN: Polyhedron-based Graph Neural Network for 3D Building
Reconstruction from Point Clouds
- arxiv url: http://arxiv.org/abs/2307.08636v1
- Date: Mon, 17 Jul 2023 16:52:25 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-18 12:06:28.274826
- Title: PolyGNN: Polyhedron-based Graph Neural Network for 3D Building
Reconstruction from Point Clouds
- Title(参考訳): PolyGNN: 点雲からの3次元建物再構築のためのポリヘドロングラフニューラルネットワーク
- Authors: Zhaiyu Chen, Yilei Shi, Liangliang Nan, Zhitong Xiong, Xiao Xiang Zhu
- Abstract要約: PolyGNNは、ポイントクラウドから再構築する3D構築のためのグラフニューラルネットワークである。
グラフノード分類を用いて,多面分解により得られたプリミティブを組み立てることを学ぶ。
都市間および実世界の点雲上での移動可能性解析を行う。
- 参考スコア(独自算出の注目度): 20.299248281970957
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: We present PolyGNN, a polyhedron-based graph neural network for 3D building
reconstruction from point clouds. PolyGNN learns to assemble primitives
obtained by polyhedral decomposition via graph node classification, achieving a
watertight, compact, and weakly semantic reconstruction. To effectively
represent arbitrary-shaped polyhedra in the neural network, we propose three
different sampling strategies to select representative points as
polyhedron-wise queries, enabling efficient occupancy inference. Furthermore,
we incorporate the inter-polyhedron adjacency to enhance the classification of
the graph nodes. We also observe that existing city-building models are
abstractions of the underlying instances. To address this abstraction gap and
provide a fair evaluation of the proposed method, we develop our method on a
large-scale synthetic dataset covering 500k+ buildings with well-defined ground
truths of polyhedral class labels. We further conduct a transferability
analysis across cities and on real-world point clouds. Both qualitative and
quantitative results demonstrate the effectiveness of our method, particularly
its efficiency for large-scale reconstructions. The source code and data of our
work are available at https://github.com/chenzhaiyu/polygnn.
- Abstract(参考訳): 点雲からの3次元再構築のための多面体グラフニューラルネットワークPolyGNNを提案する。
PolyGNNは、グラフノードの分類によって得られたプリミティブを組み立てることを学び、水密でコンパクトで、セマンティックな再構築を実現する。
ニューラルネットワークにおける任意の形状のポリヘドラを効果的に表現するために,代表点を多面体ワイドクエリとして選択する3つの異なるサンプリング手法を提案する。
さらに、グラフノードの分類を強化するために、多面体間の隣接性も取り入れる。
また、既存の都市構築モデルが基盤となるインスタンスの抽象化であることも観察しています。
この抽象化のギャップを解消し,提案手法を公平に評価するために,多面体クラスラベルの基底真理を定義できる500k以上の建物をカバーする大規模合成データセットを用いた手法を開発した。
我々はさらに,都市間および実世界のポイントクラウド上での転送可能性解析を行う。
定性的かつ定量的な結果は,本手法の有効性,特に大規模再建における有効性を示すものである。
私たちの仕事のソースコードとデータは、https://github.com/chenzhaiyu/polygnnで入手できます。
関連論文リスト
- GraphCSPN: Geometry-Aware Depth Completion via Dynamic GCNs [49.55919802779889]
本稿では,グラフ畳み込みに基づく空間伝搬ネットワーク(GraphCSPN)を提案する。
本研究では、幾何学的表現学習において、畳み込みニューラルネットワークとグラフニューラルネットワークを相補的に活用する。
提案手法は,数段の伝搬ステップのみを使用する場合と比較して,最先端の性能を実現する。
論文 参考訳(メタデータ) (2022-10-19T17:56:03Z) - Anisotropic Multi-Scale Graph Convolutional Network for Dense Shape
Correspondence [3.45989531033125]
本稿では,コンピュータビジョンとグラフィックスにおけるキー形状解析の応用である3次元高密度形状対応について検討する。
本稿では,幾何学的に有意かつ離散化に依存しない特徴を学習するハイブリッドな幾何学的深層学習モデルを提案する。
得られた対応マップは、ベンチマークデータセット上で最先端のパフォーマンスを示す。
論文 参考訳(メタデータ) (2022-10-17T22:40:50Z) - PolyWorld: Polygonal Building Extraction with Graph Neural Networks in
Satellite Images [10.661430927191205]
本稿では、画像から直接建物頂点を抽出し、それらを正しく接続して正確なポリゴンを生成するニューラルネットワークであるPolyWorldを紹介する。
PolyWorldは、ポリゴン化の構築における最先端を著しく上回る。
論文 参考訳(メタデータ) (2021-11-30T15:23:17Z) - PolyNet: Polynomial Neural Network for 3D Shape Recognition with
PolyShape Representation [51.147664305955495]
3次元形状表現とその処理は3次元形状認識に大きな影響を及ぼす。
我々は、ディープニューラルネットワークに基づく手法(PolyNet)と特定のポリゴン表現(PolyShape)を提案する。
本研究では,3次元形状分類と検索作業におけるPolyNetの長所と長所を実証した。
論文 参考訳(メタデータ) (2021-10-15T06:45:59Z) - Learnable Triangulation for Deep Learning-based 3D Reconstruction of
Objects of Arbitrary Topology from Single RGB Images [12.693545159861857]
モノクロ画像から3次元物体を再構成する深層強化学習手法を提案する。
提案手法は, 視覚的品質, 再構成精度, 計算時間において, 最先端技術よりも優れる。
論文 参考訳(メタデータ) (2021-09-24T09:44:22Z) - Exploiting Local Geometry for Feature and Graph Construction for Better
3D Point Cloud Processing with Graph Neural Networks [22.936590869919865]
グラフニューラルネットワークの一般枠組みにおける点表現と局所近傍グラフ構築の改善を提案する。
提案されたネットワークは、トレーニングの収束を高速化する。
分類のための40%のより少ないエポック。
論文 参考訳(メタデータ) (2021-03-28T21:34:59Z) - MG-SAGC: A multiscale graph and its self-adaptive graph convolution
network for 3D point clouds [6.504546503077047]
点群の多スケールグラフ生成法を提案する。
このアプローチは、ポイントクラウドを、スケール空間におけるポイントクラウドのマルチスケール分析をサポートする構造化マルチスケールグラフ形式に変換する。
従来の畳み込みニューラルネットワークは不規則な近傍を持つグラフデータには適用できないため,チェビシェフグラフを用いて不規則な畳み込みフィルタに適合するセフ適応畳み込みカーネルを提案する。
論文 参考訳(メタデータ) (2020-12-23T01:58:41Z) - Mix Dimension in Poincar\'{e} Geometry for 3D Skeleton-based Action
Recognition [57.98278794950759]
グラフ畳み込みネットワーク(GCN)はすでに、不規則なデータをモデル化する強力な能力を実証している。
本稿では,ポアンカー幾何学を用いて定義した空間時空間GCNアーキテクチャを提案する。
提案手法を,現在最大規模の2つの3次元データセット上で評価する。
論文 参考訳(メタデータ) (2020-07-30T18:23:18Z) - Local Grid Rendering Networks for 3D Object Detection in Point Clouds [98.02655863113154]
CNNは強力だが、全点の雲を高密度の3Dグリッドに酸化した後、点データに直接畳み込みを適用するのは計算コストがかかる。
入力点のサブセットの小さな近傍を低解像度の3Dグリッドに独立してレンダリングする,新しい,原理化されたローカルグリッドレンダリング(LGR)演算を提案する。
ScanNetとSUN RGB-Dデータセットを用いた3次元オブジェクト検出のためのLGR-Netを検証する。
論文 参考訳(メタデータ) (2020-07-04T13:57:43Z) - Learning Local Neighboring Structure for Robust 3D Shape Representation [143.15904669246697]
3Dメッシュの表現学習は多くのコンピュータビジョンやグラフィックスアプリケーションにおいて重要である。
局所構造認識型異方性畳み込み操作(LSA-Conv)を提案する。
本モデルでは,3次元形状復元において最先端の手法に比べて顕著な改善が得られた。
論文 参考訳(メタデータ) (2020-04-21T13:40:03Z) - PUGeo-Net: A Geometry-centric Network for 3D Point Cloud Upsampling [103.09504572409449]
PUGeo-Netと呼ばれる新しいディープニューラルネットワークを用いた一様高密度点雲を生成する手法を提案する。
その幾何学中心の性質のおかげで、PUGeo-Netはシャープな特徴を持つCADモデルとリッチな幾何学的詳細を持つスキャンされたモデルの両方でうまく機能する。
論文 参考訳(メタデータ) (2020-02-24T14:13:29Z)
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。