論文の概要: Intrinsic Appearance Decomposition Using Point Cloud Representation
- arxiv url: http://arxiv.org/abs/2307.10924v1
- Date: Thu, 20 Jul 2023 14:51:28 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-21 12:41:31.428597
- Title: Intrinsic Appearance Decomposition Using Point Cloud Representation
- Title(参考訳): 点雲表現を用いた固有出現分解
- Authors: Xiaoyan Xing, Konrad Groh, Sezer Karaoglu, Theo Gevers
- Abstract要約: 提案手法であるPoint Intrinsic Netは,点雲表現を用いてアルベド,光源方向,シェーディングを共同で予測する。
PoInt-Netの利点は、正確性の観点からは、データセットをまたいだ複数のメトリクスにおける2D表現アプローチよりも優れています。
- 参考スコア(独自算出の注目度): 13.604323410897559
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Intrinsic decomposition is to infer the albedo and shading from the image.
Since it is a heavily ill-posed problem, previous methods rely on prior
assumptions from 2D images, however, the exploration of the data representation
itself is limited. The point cloud is known as a rich format of scene
representation, which naturally aligns the geometric information and the color
information of an image. Our proposed method, Point Intrinsic Net, in short,
PoInt-Net, jointly predicts the albedo, light source direction, and shading,
using point cloud representation. Experiments reveal the benefits of PoInt-Net,
in terms of accuracy, it outperforms 2D representation approaches on multiple
metrics across datasets; in terms of efficiency, it trains on small-scale point
clouds and performs stably on any-scale point clouds; in terms of robustness,
it only trains on single object level dataset, and demonstrates reasonable
generalization ability for unseen objects and scenes.
- Abstract(参考訳): 内在分解は、画像からアルベドとシェーディングを推測することである。
かなり不適切な問題であるため、以前の方法は2d画像からの事前の仮定に依存しているが、データ表現自体の探索は限られている。
点雲は、画像の幾何学的情報と色情報を自然に整列する豊かなシーン表現形式として知られている。
提案手法であるPoint Intrinsic Net, 略してPoInt-Netは, 点雲表現を用いてアルベド, 光源方向, シェーディングを共同で予測する。
実験によれば、point-netの利点は、精度の面では、データセットをまたがる複数のメトリクスに対する2d表現アプローチよりも優れており、効率の面では、小規模のポイントクラウド上でトレーニングされ、任意のスケールのポイントクラウド上で安定して実行される。
関連論文リスト
- PointNeRF++: A multi-scale, point-based Neural Radiance Field [32.58523561180766]
本稿では,複数のスケールの点雲を,異なる解像度でスパース・ボクセル・グリッドで集約する簡単な表現を提案する。
我々はNeRF Synthetic, ScanNet, KITTI-360データセットの手法を検証した。
論文 参考訳(メタデータ) (2023-12-04T21:43:00Z) - Transcending Grids: Point Clouds and Surface Representations Powering
Neurological Processing [13.124650851374316]
医療分野では、医療画像の正確な分類が不可欠であるが、従来の方法では、一貫したグリッド構造で医療データをヒンジすることが多い。
最近の医学研究は、データの表現を考慮せずに、より優れたパフォーマンスを達成するためにアーキテクチャを微調整することに焦点を当てている。
グリッドベースのデータを高次元表現に変換するための新しい手法を提案し、非構造化点クラウドデータ構造を利用する。
論文 参考訳(メタデータ) (2023-05-17T19:34:44Z) - Quadric Representations for LiDAR Odometry, Mapping and Localization [93.24140840537912]
現在のLiDARオードメトリ、マッピング、ローカライズ手法は、3Dシーンのポイントワイズ表現を利用する。
3次元オブジェクトのよりコンパクトな表現である2次元曲面を用いたシーン記述法を提案する。
提案手法は低レイテンシとメモリの有効性を維持しつつ、競争力があり、しかも精度も優れている。
論文 参考訳(メタデータ) (2023-04-27T13:52:01Z) - Pointersect: Neural Rendering with Cloud-Ray Intersection [30.485621062087585]
本研究では,点雲を表面のように描画する新しい手法を提案する。
提案手法は識別可能であり,シーン固有の最適化を必要としない。
論文 参考訳(メタデータ) (2023-04-24T18:36:49Z) - Point2Pix: Photo-Realistic Point Cloud Rendering via Neural Radiance
Fields [63.21420081888606]
最近の放射場と拡張法は、2次元入力から現実的な画像を合成するために提案されている。
我々は3次元スパース点雲と2次元高密度画像画素を結びつけるための新しい点としてPoint2Pixを提示する。
論文 参考訳(メタデータ) (2023-03-29T06:26:55Z) - Ponder: Point Cloud Pre-training via Neural Rendering [93.34522605321514]
本稿では,識別可能なニューラルエンコーダによる点雲表現の自己教師型学習手法を提案する。
学習したポイントクラウドは、3D検出やセグメンテーションといったハイレベルなレンダリングタスクだけでなく、3D再構成や画像レンダリングといった低レベルなタスクを含む、さまざまなダウンストリームタスクに簡単に統合できる。
論文 参考訳(メタデータ) (2022-12-31T08:58:39Z) - Leveraging Single-View Images for Unsupervised 3D Point Cloud Completion [53.93172686610741]
Cross-PCCは3次元完全点雲を必要としない教師なしの点雲補完法である。
2次元画像の相補的な情報を活用するために,単視点RGB画像を用いて2次元特徴を抽出する。
我々の手法は、いくつかの教師付き手法に匹敵する性能を達成できる。
論文 参考訳(メタデータ) (2022-12-01T15:11:21Z) - NeeDrop: Self-supervised Shape Representation from Sparse Point Clouds
using Needle Dropping [80.2485282512607]
スパース点雲から形状表現を学習するための自己教師型手法NeeDropを紹介する。
形状の知識は不要で、例えば車によって取得されたライダー点雲のように、点雲は疎くすることができる。
形状復元データセットにおける既存の教師ありアプローチと同等の定量的な結果が得られる。
論文 参考訳(メタデータ) (2021-11-30T08:35:20Z) - 3D Object Classification on Partial Point Clouds: A Practical
Perspective [91.81377258830703]
点雲は3次元オブジェクト分類において一般的な形状表現である。
本稿では,任意のポーズの下でオブジェクトインスタンスの部分点雲を分類する実践的な設定を提案する。
本稿では,アライメント分類手法による新しいアルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-12-18T04:00:56Z) - RfD-Net: Point Scene Understanding by Semantic Instance Reconstruction [19.535169371240073]
本稿では,高密度物体表面を直接点雲から検出・再構成するRfD-Netを提案する。
インスタンス再構成を大域的オブジェクトローカライゼーションと局所形状予測に分離する。
我々のアプローチは、オブジェクト再構成において、最先端の技術を一貫して上回り、メッシュIoUの11以上を改善します。
論文 参考訳(メタデータ) (2020-11-30T12:58:05Z)
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。