論文の概要: Patch-Wise Point Cloud Generation: A Divide-and-Conquer Approach

• arxiv url: http://arxiv.org/abs/2307.12049v1
• Date: Sat, 22 Jul 2023 11:10:39 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-25 18:20:31.490112
• Title: Patch-Wise Point Cloud Generation: A Divide-and-Conquer Approach
• Title（参考訳）: Patch-Wise Point Cloud Generation: 分断型アプローチ
• Authors: Cheng Wen, Baosheng Yu, Rao Fu, Dacheng Tao
• Abstract要約: 分割・分散アプローチを用いた新しい3dポイントクラウド生成フレームワークを考案する。 すべてのパッチジェネレータは学習可能な事前情報に基づいており、幾何学的プリミティブの情報を取得することを目的としている。 最も人気のあるポイントクラウドデータセットであるShapeNetのさまざまなオブジェクトカテゴリに関する実験結果は、提案したパッチワイドポイントクラウド生成の有効性を示している。
• 参考スコア（独自算出の注目度）: 83.05340155068721
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A generative model for high-fidelity point clouds is of great importance in synthesizing 3d environments for applications such as autonomous driving and robotics. Despite the recent success of deep generative models for 2d images, it is non-trivial to generate 3d point clouds without a comprehensive understanding of both local and global geometric structures. In this paper, we devise a new 3d point cloud generation framework using a divide-and-conquer approach, where the whole generation process can be divided into a set of patch-wise generation tasks. Specifically, all patch generators are based on learnable priors, which aim to capture the information of geometry primitives. We introduce point- and patch-wise transformers to enable the interactions between points and patches. Therefore, the proposed divide-and-conquer approach contributes to a new understanding of point cloud generation from the geometry constitution of 3d shapes. Experimental results on a variety of object categories from the most popular point cloud dataset, ShapeNet, show the effectiveness of the proposed patch-wise point cloud generation, where it clearly outperforms recent state-of-the-art methods for high-fidelity point cloud generation.
• Abstract（参考訳）: 高忠実度点雲の生成モデルは、自律運転やロボット工学などの応用のための3d環境の合成において非常に重要である。 最近の2次元画像の深い生成モデルの成功にもかかわらず、局所的および大域的な幾何学的構造を包括的に理解することなく3次元点雲を生成することは自明ではない。 本稿では,分割・分散方式を用いて新たな3Dポイントクラウド生成フレームワークを考案し,生成プロセス全体をパッチワイズなタスクの集合に分割する。 具体的には、すべてのパッチジェネレータは学習可能なプリミティブに基づいており、ジオメトリプリミティブの情報を取得することを目的としている。 ポイントとパッチ間のインタラクションを可能にするために,ポイントとパッチのトランスフォーマを導入する。 したがって,提案手法は3次元形状の幾何学的構成から点雲生成の新しい理解に寄与する。 最も人気のあるポイントクラウドデータセットであるShapeNetのさまざまなオブジェクトカテゴリに関する実験結果は、提案されたパッチワイドポイントクラウド生成の有効性を示している。

関連論文リスト

• PIVOT-Net: Heterogeneous Point-Voxel-Tree-based Framework for Point Cloud Compression [8.778300313732027]
  異種クラウド圧縮(PCC)フレームワークを提案する。 私たちは、典型的なポイントクラウド表現 -- ポイントベース、ボクセルベース、ツリーベース表現 -- と関連するバックボーンを統一します。 本稿では,デコードのためのコンテキスト対応アップサンプリングと,機能集約のための拡張ボクセルトランスフォーマーによりフレームワークを増強する。
  論文  参考訳（メタデータ） (2024-02-11T16:57:08Z)
• DualGenerator: Information Interaction-based Generative Network for Point Cloud Completion [25.194587599472147]
  ポイントクラウド完了は、高品質のポイントクラウドデータを得るために、不完全なポイントクラウドから完全な形状を推定する。 既存の手法のほとんどは、隣接する点の空間的・意味的な情報を無視して、グローバルなオブジェクトの特徴のみを考慮している。 本稿では,ポイントクラウド補完のための情報インタラクションに基づく生成ネットワークを提案する。
  論文  参考訳（メタデータ） (2023-05-16T03:25:38Z)
• Variational Relational Point Completion Network for Robust 3D Classification [59.80993960827833]
  可変点雲補完法は、局所的な詳細を欠くため、大域的な形状の骨格を生成する傾向がある。 本稿では2つの魅力的な特性を持つ変分フレームワークであるポイントコンプリートネットワーク(VRCNet)を提案する。 VRCNetは、現実世界のポイントクラウドスキャンにおいて、非常に一般化性と堅牢性を示している。
  論文  参考訳（メタデータ） (2023-04-18T17:03:20Z)
• 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)
• AdaPoinTr: Diverse Point Cloud Completion with Adaptive Geometry-Aware Transformers [94.11915008006483]
  本稿では,ポイントクラウドの完了をセット・ツー・セットの翻訳問題として再定義する手法を提案する。 我々は、ポイントクラウド補完のためにTransformerエンコーダデコーダアーキテクチャを採用したPoinTrと呼ばれる新しいモデルを設計する。 本手法は,PCNで6.53 CD,ShapeNet-55で0.81 CD,現実世界のKITTIで0.392 MMDを実現する。
  論文  参考訳（メタデータ） (2023-01-11T16:14:12Z)
• PointAttN: You Only Need Attention for Point Cloud Completion [89.88766317412052]
  ポイント・クラウド・コンプリート(Point cloud completion)とは、部分的な3次元ポイント・クラウドから3次元の形状を完成させることである。 そこで我々は,kNNを除去するために,ポイントクラウドをポイント単位に処理する新しいニューラルネットワークを提案する。 提案するフレームワークであるPointAttNはシンプルで簡潔で効果的であり、3次元形状の構造情報を正確に捉えることができる。
  論文  参考訳（メタデータ） (2022-03-16T09:20:01Z)
• PoinTr: Diverse Point Cloud Completion with Geometry-Aware Transformers [81.71904691925428]
  本稿では,ポイントクラウドの完了をセット・ツー・セットの翻訳問題として再定義する手法を提案する。 我々はまた、ポイントクラウド補完のためにトランスフォーマーエンコーダデコーダアーキテクチャを採用するPoinTrと呼ばれる新しいモデルも設計している。 提案手法は,新しいベンチマークと既存ベンチマークの両方において,最先端の手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2021-08-19T17:58:56Z)

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。