論文の概要: PU-Ray: Point Cloud Upsampling via Ray Marching on Implicit Surface
- arxiv url: http://arxiv.org/abs/2310.08755v1
- Date: Thu, 12 Oct 2023 22:45:03 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-16 15:12:00.966012
- Title: PU-Ray: Point Cloud Upsampling via Ray Marching on Implicit Surface
- Title（参考訳）: PU-ray:不活性表面上のレイマーキングによる点雲アップサンプリング
- Authors: Sangwon Lim, Karim El-Basyouny, Yee Hong Yang
- Abstract要約: 本稿では,問合せ線毎の深さ予測を行うため,任意のレートで線に基づくアップサンプリング手法を提案する。
この方法は、暗黙的な表面学習によりより正確で安定した光深度予測を実現するために、光マーチングアルゴリズムをシミュレートする。
結果は、異なる領域にまたがる手法の汎用性と、限られた計算資源とトレーニングデータを用いたトレーニングシナリオを示す。
- 参考スコア（独自算出の注目度）: 6.502607075556743
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: While the recent advancements in deep-learning-based point cloud upsampling
methods improve the input to autonomous driving systems, they still suffer from
the uncertainty of denser point generation resulting from end-to-end learning.
For example, due to the vague training objectives of the models, their
performance depends on the point distributions of the input and the ground
truth. This causes problems of domain dependency between synthetic and
real-scanned point clouds and issues with substantial model sizes and dataset
requirements. Additionally, many existing methods upsample point clouds with a
fixed scaling rate, making them inflexible and computationally redundant. This
paper addresses the above problems by proposing a ray-based upsampling approach
with an arbitrary rate, where a depth prediction is made for each query ray.
The method simulates the ray marching algorithm to achieve more precise and
stable ray-depth predictions through implicit surface learning. The rule-based
mid-point query sampling method enables a uniform output point distribution
without requiring model training using the Chamfer distance loss function,
which can exhibit bias towards the training dataset. Self-supervised learning
becomes possible with accurate ground truths within the input point cloud. The
results demonstrate the method's versatility across different domains and
training scenarios with limited computational resources and training data. This
allows the upsampling task to transition from academic research to real-world
applications.
- Abstract（参考訳）: ディープラーニングベースのポイントクラウドアップサンプリング手法の最近の進歩は、自動運転システムへの入力を改善する一方で、エンドツーエンド学習による密接なポイント生成の不確実性にも苦しんでいる。
例えば、モデルの曖昧なトレーニング目標のために、それらのパフォーマンスは入力の点分布と基底真理に依存する。
これは、合成と実スキャンされたポイントクラウド間のドメイン依存性の問題と、相当なモデルサイズとデータセット要求の問題を引き起こす。
さらに、既存の多くのメソッドは、一定のスケーリング率でポイントクラウドをアップサンプルし、柔軟性がなく、計算的に冗長である。
本稿では,各問合せ線に対する深さ予測を行う場合,任意のレートでレイベースアップサンプリング手法を提案することにより,上記の問題に対処する。
この手法はレイマーチングアルゴリズムをシミュレートし、暗黙的な表面学習を通じてより正確で安定なレイマーチング予測を実現する。
規則に基づく中点問合せサンプリング手法により,Chamfer 距離損失関数を用いたモデルトレーニングを必要とせず,一様出力点分布が可能となり,トレーニングデータセットに対するバイアスが生じる。
入力ポイントクラウド内の正確な基底真理によって、自己教師付き学習が可能になる。
提案手法は,計算資源とトレーニングデータに制限のある異なる領域と学習シナリオにまたがる汎用性を示す。
これにより、アップサンプリングタスクを学術研究から実世界のアプリケーションに移行することができる。
関連論文リスト
- Deep Loss Convexification for Learning Iterative Models [11.36644967267829]
点雲登録のための反復的最近点(ICP)のような反復的手法は、しばしば悪い局所最適性に悩まされる。
我々は,各地真実の周囲に凸景観を形成する学習を提案する。
論文 参考訳（メタデータ） (2024-11-16T01:13:04Z) - Arbitrary-Scale Point Cloud Upsampling by Voxel-Based Network with
Latent Geometric-Consistent Learning [52.825441454264585]
Voxel-based Network (textbfPU-VoxelNet) を用いた任意のスケールのクラウド・アップサンプリング・フレームワークを提案する。
ボクセル表現から継承された完全性と規則性により、ボクセルベースのネットワークは3次元表面を近似する事前定義されたグリッド空間を提供することができる。
密度誘導グリッド再サンプリング法を開発し、高忠実度点を生成するとともに、サンプリング出力を効果的に回避する。
論文 参考訳（メタデータ） (2024-03-08T07:31:14Z) - FFEINR: Flow Feature-Enhanced Implicit Neural Representation for
Spatio-temporal Super-Resolution [4.577685231084759]
本稿では,フローフィールドデータの超高分解能化のための特徴強調型ニューラルインシシット表現(FFEINR)を提案する。
モデル構造とサンプリング分解能の観点から、暗黙のニューラル表現を最大限に活用することができる。
FFEINRのトレーニングプロセスは、入力層に機能拡張を導入することで容易になる。
論文 参考訳（メタデータ） (2023-08-24T02:28:18Z) - AdaNeRF: Adaptive Sampling for Real-time Rendering of Neural Radiance
Fields [8.214695794896127]
新たなビュー合成は、スパース観測から直接神経放射場を学習することで、近年革新されている。
この新たなパラダイムによる画像のレンダリングは、ボリュームレンダリング方程式の正確な4分の1は、各光線に対して大量のサンプルを必要とするため、遅い。
本稿では,必要なサンプル点数を最大限に削減する方法を学習し,方向性を示す新しいデュアルネットワークアーキテクチャを提案する。
論文 参考訳（メタデータ） (2022-07-21T05:59:13Z) - 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) - iSDF: Real-Time Neural Signed Distance Fields for Robot Perception [64.80458128766254]
iSDFは実時間符号付き距離場再構成のための連続学習システムである。
より正確な再構築と、衝突コストと勾配のより良い近似を生成する。
論文 参考訳（メタデータ） (2022-04-05T15:48:39Z) - Quasi-Balanced Self-Training on Noise-Aware Synthesis of Object Point
Clouds for Closing Domain Gap [34.590531549797355]
本稿では,CADモデルへのスペックルパターンの投影によるステレオ画像のレンダリングにより,オブジェクト・ポイント・クラウドを物理的にリアルに合成する統合スキームを提案する。
実験により,本手法の有効性,および各モジュールが点クラウド分類における教師なし領域適応に有効であることを検証できる。
論文 参考訳（メタデータ） (2022-03-08T03:44:49Z) - NeRF in detail: Learning to sample for view synthesis [104.75126790300735]
ニューラルレイディアンス場(NeRF)法は目覚ましい新しいビュー合成を実証している。
この作業では、バニラ粗大なアプローチの明確な制限に対処します -- パフォーマンスに基づいており、手元にあるタスクのエンドツーエンドをトレーニングしていません。
我々は、サンプルの提案と、そのネットワークにおける重要性を学習し、そのニューラルネットワークアーキテクチャに対する複数の代替案を検討し比較する、微分可能なモジュールを導入する。
論文 参考訳（メタデータ） (2021-06-09T17:59:10Z) - Sparse Signal Models for Data Augmentation in Deep Learning ATR [0.8999056386710496]
ドメイン知識を取り入れ,データ集約学習アルゴリズムの一般化能力を向上させるためのデータ拡張手法を提案する。
本研究では,空間領域における散乱中心のスパース性とアジムタル領域における散乱係数の滑らかな変動構造を活かし,過パラメータモデルフィッティングの問題を解く。
論文 参考訳（メタデータ） (2020-12-16T21:46:33Z) - SPU-Net: Self-Supervised Point Cloud Upsampling by Coarse-to-Fine
Reconstruction with Self-Projection Optimization [52.20602782690776]
実際のスキャンされたスパースデータからトレーニング用の大規模なペアリングスパーススキャンポイントセットを得るのは高価で面倒です。
本研究では,SPU-Net と呼ばれる自己監視型点群アップサンプリングネットワークを提案する。
本研究では,合成データと実データの両方について様々な実験を行い,最先端の教師付き手法と同等の性能が得られることを示す。
論文 参考訳（メタデータ） (2020-12-08T14:14:09Z) - ePointDA: An End-to-End Simulation-to-Real Domain Adaptation Framework
for LiDAR Point Cloud Segmentation [111.56730703473411]
LiDARデータ上でディープニューラルネットワーク(DNN)をトレーニングするには、大規模なポイントワイドアノテーションが必要である。
シミュレーション・トゥ・リアル・ドメイン適応(SRDA)は、DNNを無制限の合成データと自動生成されたラベルで訓練する。
ePointDAは、自己教師付きドロップアウトノイズレンダリング、統計不変および空間適応型特徴アライメント、転送可能なセグメンテーション学習の3つのモジュールで構成されている。
論文 参考訳（メタデータ） (2020-09-07T23:46:08Z)
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。