論文の概要: iPUNet:Iterative Cross Field Guided Point Cloud Upsampling
- arxiv url: http://arxiv.org/abs/2310.09092v1
- Date: Fri, 13 Oct 2023 13:24:37 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-16 13:01:02.550398
- Title: iPUNet:Iterative Cross Field Guided Point Cloud Upsampling
- Title（参考訳）: iPUNet:Iterative Cross Field Guided Point Cloud Upsampling
- Authors: Guangshun Wei, Hao Pan, Shaojie Zhuang, Yuanfeng Zhou, Changjian Li
- Abstract要約: 3Dスキャン装置によって取得される点雲は、しばしば疎く、ノイズが多く、一様ではないため、幾何学的特徴が失われる。
任意の比率で高密度および均一な点を生成する学習ベースポイントアップサンプリング手法iPUNetを提案する。
iPUNetは、ノイズや不均一に分散された入力を処理し、最先端のクラウドサンプリング手法より優れていることを示す。
- 参考スコア（独自算出の注目度）: 20.925921503694894
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Point clouds acquired by 3D scanning devices are often sparse, noisy, and
non-uniform, causing a loss of geometric features. To facilitate the usability
of point clouds in downstream applications, given such input, we present a
learning-based point upsampling method, i.e., iPUNet, which generates dense and
uniform points at arbitrary ratios and better captures sharp features. To
generate feature-aware points, we introduce cross fields that are aligned to
sharp geometric features by self-supervision to guide point generation. Given
cross field defined frames, we enable arbitrary ratio upsampling by learning at
each input point a local parameterized surface. The learned surface consumes
the neighboring points and 2D tangent plane coordinates as input, and maps onto
a continuous surface in 3D where arbitrary ratios of output points can be
sampled. To solve the non-uniformity of input points, on top of the cross field
guided upsampling, we further introduce an iterative strategy that refines the
point distribution by moving sparse points onto the desired continuous 3D
surface in each iteration. Within only a few iterations, the sparse points are
evenly distributed and their corresponding dense samples are more uniform and
better capture geometric features. Through extensive evaluations on diverse
scans of objects and scenes, we demonstrate that iPUNet is robust to handle
noisy and non-uniformly distributed inputs, and outperforms state-of-the-art
point cloud upsampling methods.
- Abstract（参考訳）: 3Dスキャン装置によって取得される点雲は、しばしばスパース、ノイズ、非均一であり、幾何学的特徴が失われる。
下流アプリケーションにおけるポイントクラウドの使い勝手を向上するため、学習ベースのポイントアップサンプリング手法iPUNetを提案し、任意の比率で高密度かつ均一なポイントを生成し、シャープな特徴を捉える。
特徴認識点を生成するために,点生成をガイドする自己スーパービジョンにより,鋭い幾何学的特徴に対応するクロスフィールドを導入する。
クロスフィールド定義フレームが与えられた場合、各入力点の局所パラメータ化面を学習することで任意の比率アップサンプリングを可能にする。
学習面は、隣接点と2次元接平面座標を入力として消費し、出力点の任意の比をサンプリングできる3dの連続面にマップする。
クロスフィールド誘導アップサンプリング上で入力点の不均一性を解決するために,各イテレーションにおいて,スパース点を所望の連続3次元面に移動させることで,点分布を洗練する反復戦略も導入する。
ほんの数回の反復でスパース点が均等に分布し、それに対応する密度の高いサンプルはより均一で幾何学的特徴を捕えることができる。
オブジェクトやシーンの多様なスキャンの広範な評価を通じて、iPUNetはノイズや不均一に分散された入力を処理し、最先端のクラウドサンプリング手法より優れていることを示す。
関連論文リスト
- 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) - Learning Continuous Implicit Field with Local Distance Indicator for
Arbitrary-Scale Point Cloud Upsampling [55.05706827963042]
点雲アップサンプリングは、疎点雲から密度が高く均一に分散した点集合を生成することを目的としている。
従来のメソッドは通常、スパースポイントクラウドをいくつかのローカルパッチ、アップサンプルパッチポイント、すべてのアップサンプルパッチにマージする。
そこで本研究では,点雲のアップサンプリングのために,局所的な先行者によって導かれる符号のない距離場を学習する手法を提案する。
論文 参考訳（メタデータ） (2023-12-23T01:52:14Z) - Grad-PU: Arbitrary-Scale Point Cloud Upsampling via Gradient Descent
with Learned Distance Functions [77.32043242988738]
我々は、任意のアップサンプリングレートをサポートする、正確なポイントクラウドアップサンプリングのための新しいフレームワークを提案する。
提案手法は,まず,所定のアップサンプリング率に応じて低解像度の雲を補間する。
論文 参考訳（メタデータ） (2023-04-24T06:36:35Z) - PUFA-GAN: A Frequency-Aware Generative Adversarial Network for 3D Point
Cloud Upsampling [56.463507980857216]
本稿では,点群アップサンプリングのための生成的対向ネットワークを提案する。
基底表面に均等に分布するアップサンプリングポイントを作成できるだけでなく、クリーンな高周波領域を効率的に生成することができる。
論文 参考訳（メタデータ） (2022-03-02T07:47:46Z) - PU-Flow: a Point Cloud Upsampling Networkwith Normalizing Flows [58.96306192736593]
本稿では,正規化フローを組み込んだPU-Flowについて述べる。
具体的には、重みが局所的な幾何学的文脈から適応的に学習される潜在空間において、アップサンプリング過程を点として定式化する。
提案手法は, 再現性, 近接精度, 計算効率の観点から, 最先端の深層学習手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2021-07-13T07:45:48Z) - Point Cloud Upsampling via Disentangled Refinement [86.3641957163818]
3Dスキャンによって生成された点雲は、しばしばスパース、非均一、ノイズである。
近年のアップサンプリング手法は, 分布均一性と近接場を両立させながら, 密度の高い点集合を生成することを目的としている。
2つのカスケードサブネットワーク、高密度ジェネレータ、空間精錬器を定式化する。
論文 参考訳（メタデータ） (2021-06-09T02:58:42Z)
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。