論文の概要: GridPull: Towards Scalability in Learning Implicit Representations from 3D Point Clouds

• arxiv url: http://arxiv.org/abs/2308.13175v1
• Date: Fri, 25 Aug 2023 04:52:52 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-28 15:12:34.936136
• Title: GridPull: Towards Scalability in Learning Implicit Representations from 3D Point Clouds
• Title（参考訳）: GridPull: 3Dポイントクラウドから意図しない表現を学習するスケーラビリティを目指す
• Authors: Chao Chen, Yu-Shen Liu, Zhizhong Han
• Abstract要約: 大規模クラウドから暗黙の表現を学習する効率を改善するため,GridPullを提案する。 我々の斬新さは、ニューラルネットワークを使わずにグリッド上に定義された離散距離場の高速な推論にある。 我々は、一様格子を用いて高速グリッド探索を行い、サンプルクエリをローカライズし、木構造内の表面点を整理し、表面への距離の計算を高速化する。
• 参考スコア（独自算出の注目度）: 60.27217859189727
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learning implicit representations has been a widely used solution for surface reconstruction from 3D point clouds. The latest methods infer a distance or occupancy field by overfitting a neural network on a single point cloud. However, these methods suffer from a slow inference due to the slow convergence of neural networks and the extensive calculation of distances to surface points, which limits them to small scale points. To resolve the scalability issue in surface reconstruction, we propose GridPull to improve the efficiency of learning implicit representations from large scale point clouds. Our novelty lies in the fast inference of a discrete distance field defined on grids without using any neural components. To remedy the lack of continuousness brought by neural networks, we introduce a loss function to encourage continuous distances and consistent gradients in the field during pulling queries onto the surface in grids near to the surface. We use uniform grids for a fast grid search to localize sampled queries, and organize surface points in a tree structure to speed up the calculation of distances to the surface. We do not rely on learning priors or normal supervision during optimization, and achieve superiority over the latest methods in terms of complexity and accuracy. We evaluate our method on shape and scene benchmarks, and report numerical and visual comparisons with the latest methods to justify our effectiveness and superiority. The code is available at https://github.com/chenchao15/GridPull.
• Abstract（参考訳）: 暗黙的表現の学習は、3dポイントクラウドから表面再構成に広く使われている。 最新の手法では、単一の点雲上にニューラルネットワークをオーバーフィットさせることで、距離または占有場を推定する。 しかし、これらの手法はニューラルネットワークの収束が遅く、表面点までの距離が広範囲に計算され、小さなスケールポイントに制限されるため、推論が遅くなる。 表面再構成におけるスケーラビリティの問題を解決するため,大規模クラウドからの暗黙表現の学習効率を向上させるため,GridPullを提案する。 我々の目新しさは、神経成分を使わずにグリッド上で定義される離散距離場の高速推論にある。 ニューラルネットワークによる連続性の欠如を補うために,表面近傍の格子にクエリを引っ張り込む際に,フィールド内の連続的な距離と一貫した勾配を促進できる損失関数を導入する。 高速グリッド探索に一様グリッドを用い,サンプルクエリを局所化し,木構造内の表面点を整理し,表面までの距離の計算を高速化する。 最適化の間、学習の優先順位や通常の監督に依存しておらず、複雑さと正確性の観点から最新の方法よりも優れている。 形状およびシーンベンチマークの手法を評価し,最新の手法との数値的,視覚的比較を行い,その効果と優越性を正当化する。 コードはhttps://github.com/chenchao15/gridpullで入手できる。

関連論文リスト

• Unsupervised Inference of Signed Distance Functions from Single Sparse Point Clouds without Learning Priors [54.966603013209685]
  3次元点雲から符号付き距離関数(SDF)を推測することは不可欠である。 単一スパース点雲から直接SDFを推定するニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2023-03-25T15:56:50Z)
• CAP-UDF: Learning Unsigned Distance Functions Progressively from Raw Point Clouds with Consistency-Aware Field Optimization [54.69408516025872]
  CAP-UDFは、生の点雲から一貫性を考慮したUDFを学ぶための新しい方法である。 我々は、クエリと近似曲面の関係を徐々に推測するようにニューラルネットワークを訓練する。 学習されたUDFの勾配を用いて表面を抽出する多角化アルゴリズムも導入する。
  論文  参考訳（メタデータ） (2022-10-06T08:51:08Z)
• Reconstructing Surfaces for Sparse Point Clouds with On-Surface Priors [52.25114448281418]
  現在の方法では、接地距離や点正規化なしに単一点雲から符号付き距離関数 (Signed Distance Function, SDF) を学習することで、表面を再構築することができる。 そこで本稿では, 表面上の粗い点雲から高精度な表面を復元することを提案する。 本手法は, 接地距離や点正規化を伴わずに, 単一のスパース点雲からSDFを学習することができる。
  論文  参考訳（メタデータ） (2022-04-22T09:45:20Z)
• Convolutional Neural Network-based Efficient Dense Point Cloud Generation using Unsigned Distance Fields [3.198144010381572]
  本稿では,任意の3次元形状の符号なし距離場を学習し,予測する軽量畳み込みニューラルネットワークを提案する。 実験により、提案されたアーキテクチャは、7.8倍のモデルパラメータ、2.4倍の推論時間、最大24.8%の生成品質向上により、技術の状態よりも優れていた。
  論文  参考訳（メタデータ） (2022-03-22T08:28:50Z)
• POCO: Point Convolution for Surface Reconstruction [92.22371813519003]
  入射ニューラルネットワークは点雲からの表面再構成に成功している。 それらの多くは、オブジェクトやシーン全体を1つの潜伏ベクトルにエンコードするときにスケーラビリティの問題に直面します。 本稿では,各入力点における点雲畳み込みと潜在ベクトルの計算を提案する。
  論文  参考訳（メタデータ） (2022-01-05T21:26:18Z)
• Neural-Pull: Learning Signed Distance Functions from Point Clouds by Learning to Pull Space onto Surfaces [68.12457459590921]
  3次元点雲から連続曲面を再構成することは、3次元幾何処理の基本的な操作である。 textitNeural-Pullは、シンプルで高品質なSDFを実現する新しいアプローチです。
  論文  参考訳（メタデータ） (2020-11-26T23:18:10Z)

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。