論文の概要: Arbitrary point cloud upsampling via Dual Back-Projection Network

• arxiv url: http://arxiv.org/abs/2307.08992v1
• Date: Tue, 18 Jul 2023 06:11:09 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-19 16:22:11.678489
• Title: Arbitrary point cloud upsampling via Dual Back-Projection Network
• Title（参考訳）: デュアルバックプロジェクションネットワークによる任意点雲アップサンプリング
• Authors: Zhi-Song Liu, Zijia Wang, Zhen Jia
• Abstract要約: ポイントクラウドアップサンプリング(DBPnet)のためのデュアルバックプロジェクションネットワークを提案する。 デュアルバックプロジェクションは、ポイントクラウドアップサンプリングのためのアップアップアップ方式で定式化される。 実験の結果,提案手法は最小の点集合の損失を達成できることがわかった。
• 参考スコア（独自算出の注目度）: 12.344557879284219
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Point clouds acquired from 3D sensors are usually sparse and noisy. Point cloud upsampling is an approach to increase the density of the point cloud so that detailed geometric information can be restored. In this paper, we propose a Dual Back-Projection network for point cloud upsampling (DBPnet). A Dual Back-Projection is formulated in an up-down-up manner for point cloud upsampling. It not only back projects feature residues but also coordinates residues so that the network better captures the point correlations in the feature and space domains, achieving lower reconstruction errors on both uniform and non-uniform sparse point clouds. Our proposed method is also generalizable for arbitrary upsampling tasks (e.g. 4x, 5.5x). Experimental results show that the proposed method achieves the lowest point set matching losses with respect to the benchmark. In addition, the success of our approach demonstrates that generative networks are not necessarily needed for non-uniform point clouds.
• Abstract（参考訳）: 3dセンサーから獲得した点雲は通常、ばらばらでうるさい。 ポイントクラウドアップサンプリング(point cloud upsampling)は、ポイントクラウドの密度を高めて、詳細な幾何学的情報を復元する手法である。 本稿では,dbpnet (point cloud upsampling) のためのデュアルバックプロジェクションネットワークを提案する。 デュアルバックプロジェクションは、ポイントクラウドアップサンプリングのためのアップアップアップ方式で定式化される。 バックプロジェクトは残差を特徴とするだけでなく、ネットワークが特徴領域と空間領域の点相関をよりよく捉え、一様および非一様のスパース点雲の低い再構成誤差を達成するように調整する。 提案手法は,任意のアップサンプリングタスク(例えば4x,5.5x)に対して一般化可能である。 実験結果から, 提案手法は, ベンチマークに対して最小の点集合の損失を達成できることがわかった。 さらに, 提案手法の成功は, 非一様点雲には生成ネットワークが必ずしも必要ではないことを示す。

関連論文リスト

• Point Cloud Pre-training with Diffusion Models [62.12279263217138]
  我々は、ポイントクラウド拡散事前学習(PointDif)と呼ばれる新しい事前学習手法を提案する。 PointDifは、分類、セグメンテーション、検出など、さまざまな下流タスクのために、さまざまな現実世界のデータセット間で大幅に改善されている。
  論文  参考訳（メタデータ） (2023-11-25T08:10:05Z)
• Parametric Surface Constrained Upsampler Network for Point Cloud [33.033469444588086]
  バイコビック関数と回転関数で表されるパラメトリック曲面をニューラルネットワークに学習させ,新しいサーフェス正規化器をアップサンプラーネットワークに導入する。 これらの設計は、2つの異なるネットワークに統合され、レイヤのアップサンプリングの利点を生かしている。 両課題の最先端実験結果から,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-03-14T21:12:54Z)
• 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)
• Deep Point Cloud Simplification for High-quality Surface Reconstruction [24.29310178063052]
  PCS-Netは、幾何学的忠実さを維持しつつ、高品質な表面メッシュ再構築に特化している。 そこで本研究では,サンプル点の位置を改良する新しい2次元再サンプリングモジュールを提案する。 重要な形状特徴をさらに維持するため、新規な塩分損失を有する適応サンプリング戦略を設計する。
  論文  参考訳（メタデータ） (2022-03-17T05:22:25Z)
• PUFA-GAN: A Frequency-Aware Generative Adversarial Network for 3D Point Cloud Upsampling [56.463507980857216]
  本稿では,点群アップサンプリングのための生成的対向ネットワークを提案する。 基底表面に均等に分布するアップサンプリングポイントを作成できるだけでなく、クリーンな高周波領域を効率的に生成することができる。
  論文  参考訳（メタデータ） (2022-03-02T07:47:46Z)
• 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)
• 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)
• 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。