論文の概要: P2C: Self-Supervised Point Cloud Completion from Single Partial Clouds
- arxiv url: http://arxiv.org/abs/2307.14726v1
- Date: Thu, 27 Jul 2023 09:31:01 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-28 14:58:48.077479
- Title: P2C: Self-Supervised Point Cloud Completion from Single Partial Clouds
- Title(参考訳): P2C: 単一部分クラウドからの自己監視ポイントクラウド補完
- Authors: Ruikai Cui, Shi Qiu, Saeed Anwar, Jiawei Liu, Chaoyue Xing, Jing
Zhang, Nick Barnes
- Abstract要約: ポイント雲の完成は、部分的な観測に基づいて完全な形状を復元することを目的としている。
既存の手法では、学習には完全な点雲か、同じ物体の複数の部分的な観察が必要である。
Part2Completeは、ポイントクラウドオブジェクトを補完する最初の自己管理型フレームワークです。
- 参考スコア(独自算出の注目度): 44.02541315496045
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Point cloud completion aims to recover the complete shape based on a partial
observation. Existing methods require either complete point clouds or multiple
partial observations of the same object for learning. In contrast to previous
approaches, we present Partial2Complete (P2C), the first self-supervised
framework that completes point cloud objects using training samples consisting
of only a single incomplete point cloud per object. Specifically, our framework
groups incomplete point clouds into local patches as input and predicts masked
patches by learning prior information from different partial objects. We also
propose Region-Aware Chamfer Distance to regularize shape mismatch without
limiting completion capability, and devise the Normal Consistency Constraint to
incorporate a local planarity assumption, encouraging the recovered shape
surface to be continuous and complete. In this way, P2C no longer needs
multiple observations or complete point clouds as ground truth. Instead,
structural cues are learned from a category-specific dataset to complete
partial point clouds of objects. We demonstrate the effectiveness of our
approach on both synthetic ShapeNet data and real-world ScanNet data, showing
that P2C produces comparable results to methods trained with complete shapes,
and outperforms methods learned with multiple partial observations. Code is
available at https://github.com/CuiRuikai/Partial2Complete.
- Abstract(参考訳): ポイント雲の完成は、部分的な観測に基づいて完全な形状を復元することを目的としている。
既存の手法では、学習のために完全な点雲か、同じ物体の複数の部分的観測が必要である。
従来のアプローチとは対照的に、パーシャル2コンプリート(P2C)は、オブジェクトごとに1つの不完全なポイントクラウドのみからなるトレーニングサンプルを使用してポイントクラウドオブジェクトを補完する最初のセルフ教師付きフレームワークである。
具体的には、不完全な点雲を入力としてローカルパッチにグループ化し、異なる部分オブジェクトから事前情報を学習することでマスクパッチを予測する。
また,完備性を制限せずに形状ミスマッチを正則化する領域認識シャムハ距離を提案し,正規一貫性制約を考案し,局所平面性仮定を取り入れ,復元された形状表面の連続完備化を促す。
このようにして、P2Cは地上の真実として複数の観測や完全点雲を必要としない。
その代わり、構造的な手がかりはカテゴリ固有のデータセットから学習され、オブジェクトの部分点クラウドが完成する。
合成シェープネットデータと実世界のScanNetデータの両方に対するアプローチの有効性を実証し、P2Cが完全な形状で訓練された手法に匹敵する結果が得られることを示した。
コードはhttps://github.com/CuiRuikai/Partial2Completeで入手できる。
関連論文リスト
- Self-supervised 3D Point Cloud Completion via Multi-view Adversarial Learning [61.14132533712537]
我々は、オブジェクトレベルとカテゴリ固有の幾何学的類似性の両方を効果的に活用するフレームワークであるMAL-SPCを提案する。
私たちのMAL-SPCは3Dの完全な監視を一切必要とせず、各オブジェクトに1つの部分点クラウドを必要とするだけです。
論文 参考訳(メタデータ) (2024-07-13T06:53:39Z) - ComPC: Completing a 3D Point Cloud with 2D Diffusion Priors [52.72867922938023]
センサーを通して直接オブジェクトから収集される3Dポイント雲は、自己閉塞のため、しばしば不完全である。
トレーニングを必要とせずに、未確認のカテゴリにまたがる部分点雲を完結させるテストタイムフレームワークを提案する。
論文 参考訳(メタデータ) (2024-04-10T08:02:17Z) - Point Cloud Completion Guided by Prior Knowledge via Causal Inference [19.935868881427226]
本稿では,ポイントPCと呼ばれる新たなクラウド完了タスクを提案する。
Point-PCはメモリネットワークを用いて形状の先行情報を検索し、因果推論モデルを設計し、欠落した形状情報をフィルタリングする。
ShapeNet-55、PCN、KITTIデータセットの実験結果から、Point-PCは最先端の手法よりも優れていることが示された。
論文 参考訳(メタデータ) (2023-05-28T16:33:35Z) - 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) - Variational Relational Point Completion Network [41.98957577398084]
既存のポイントクラウド補完メソッドは、グローバルシェイプスケルトンを生成し、細かいローカル詳細を欠いています。
本稿では,2つの特性を持つ変分点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で、大きな可能性と堅牢性を示します。
論文 参考訳(メタデータ) (2021-04-20T17:53:40Z) - Point Cloud Completion by Learning Shape Priors [74.80746431691938]
形状の先行には、完全点雲と部分点雲の両方の幾何学的情報が含まれる。
完全点から先行する形状を学習するための特徴アライメント戦略を設計し、微細な段階で部分的な事前を組み込むための粗い微妙な戦略を設計する。
我々はポイントクラウド完了タスクで最先端のパフォーマンスを達成する。
論文 参考訳(メタデータ) (2020-08-02T04:00:32Z) - Cascaded Refinement Network for Point Cloud Completion [74.80746431691938]
本稿では,細かな物体形状を合成するための粗大な戦略とともに,カスケード型精細化ネットワークを提案する。
部分入力の局所的な詳細と大域的な形状情報を合わせて考えると、既存の詳細を不完全点集合に保存することができる。
また、各局所領域が同じパターンと基底的真理を持つことを保証し、複雑な点分布を学習するパッチ判別器を設計する。
論文 参考訳(メタデータ) (2020-04-07T13:03:29Z)
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。