論文の概要: NeuralGF: Unsupervised Point Normal Estimation by Learning Neural Gradient Function

• arxiv url: http://arxiv.org/abs/2311.00389v1
• Date: Wed, 1 Nov 2023 09:25:29 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-02 14:21:46.019398
• Title: NeuralGF: Unsupervised Point Normal Estimation by Learning Neural Gradient Function
• Title（参考訳）: NeuralGF:ニューラルグラディエント関数の学習による教師なし点正規化推定
• Authors: Qing Li, Huifang Feng, Kanle Shi, Yue Gao, Yi Fang, Yu-Shen Liu, Zhizhong Han
• Abstract要約: 3次元点雲の正規推定は3次元幾何処理の基本的な課題である。 我々は,ニューラルネットワークが入力点雲に適合することを奨励する,ニューラルグラデーション関数の学習のための新しいパラダイムを導入する。 広範に使用されているベンチマークの優れた結果から,本手法は非指向性および指向性正常推定タスクにおいて,より正確な正規性を学習できることが示されている。
• 参考スコア（独自算出の注目度）: 55.86697795177619
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Normal estimation for 3D point clouds is a fundamental task in 3D geometry processing. The state-of-the-art methods rely on priors of fitting local surfaces learned from normal supervision. However, normal supervision in benchmarks comes from synthetic shapes and is usually not available from real scans, thereby limiting the learned priors of these methods. In addition, normal orientation consistency across shapes remains difficult to achieve without a separate post-processing procedure. To resolve these issues, we propose a novel method for estimating oriented normals directly from point clouds without using ground truth normals as supervision. We achieve this by introducing a new paradigm for learning neural gradient functions, which encourages the neural network to fit the input point clouds and yield unit-norm gradients at the points. Specifically, we introduce loss functions to facilitate query points to iteratively reach the moving targets and aggregate onto the approximated surface, thereby learning a global surface representation of the data. Meanwhile, we incorporate gradients into the surface approximation to measure the minimum signed deviation of queries, resulting in a consistent gradient field associated with the surface. These techniques lead to our deep unsupervised oriented normal estimator that is robust to noise, outliers and density variations. Our excellent results on widely used benchmarks demonstrate that our method can learn more accurate normals for both unoriented and oriented normal estimation tasks than the latest methods. The source code and pre-trained model are publicly available at https://github.com/LeoQLi/NeuralGF.
• Abstract（参考訳）: 3次元点雲の正規推定は3次元幾何処理の基本的なタスクである。 最先端の手法は、通常の監督から学んだ局所曲面への適合の優先順位に依存する。 しかしながら、ベンチマークにおける通常の監視は合成形状によるもので、通常実際のスキャンでは利用できないため、これらの手法の学習済みの優先順位が制限される。 さらに、形状間の通常の配向一貫性は、別の後処理手順なしでは達成し難いままである。 これらの問題を解決するために,本研究では,地平常則を監督として使用せずに,点雲から直接指向性正規分布を推定する手法を提案する。 我々は,ニューラルネットワークが入力点雲に適合し,その点に単位ノルム勾配を生じさせることを促す,ニューラルグラデーション関数を学習するための新しいパラダイムを導入することで,これを実現する。 具体的には,問合せポイントが移動対象に反復的に到達し,近似した面に集約され,データの大域的表面表現が学習されるような損失関数を導入する。 一方,曲面近似に勾配を組み込んで,最小符号付きクエリの偏差を測定することにより,表面の勾配場が一貫した状態になる。 これらの手法は,ノイズや異常値,密度変動に対して頑健な,教師なし指向型正規推定器を導出する。 提案手法は, 従来の手法よりも, 非指向性, 指向性の両方の正規化タスクをより正確に学習できることを示す。 ソースコードと事前トレーニングされたモデルはhttps://github.com/LeoQLi/NeuralGFで公開されている。

関連論文リスト

• Neural Gradient Learning and Optimization for Oriented Point Normal Estimation [53.611206368815125]
  本研究では,3次元点雲から勾配ベクトルを一貫した向きで学習し,正規推定を行うためのディープラーニング手法を提案する。 局所平面幾何に基づいて角距離場を学習し、粗勾配ベクトルを洗練する。 本手法は,局所特徴記述の精度と能力の一般化を図りながら,グローバル勾配近似を効率的に行う。
  論文  参考訳（メタデータ） (2023-09-17T08:35:11Z)
• Learning Signed Hyper Surfaces for Oriented Point Cloud Normal Estimation [53.19926259132379]
  我々は,符号付きハイパー曲面の学習による点雲の向きの正規分布推定のためのSHS-Netと呼ばれる新しい手法を提案する。 符号付き超曲面は、局所的および大域的な情報を集約する高次元特徴空間において暗黙的に学習される。 注意重み付き正規予測モジュールをデコーダとして提案し,局所およびグローバル潜時符号を入力として向きの正規を推定する。
  論文  参考訳（メタデータ） (2023-05-10T03:40:25Z)
• Rethinking the Approximation Error in 3D Surface Fitting for Point Cloud Normal Estimation [39.79759035338819]
  推定値と精密表面標準値のギャップを埋めるための基本設計原則を2つ提示する。 この2つの原理をディープニューラルネットワークを用いて実装し、プラグアンドプレイ方式で最先端のSOTA(State-of-the-art)正規推定手法と統合する。
  論文  参考訳（メタデータ） (2023-03-30T05:59:43Z)
• NeAF: Learning Neural Angle Fields for Point Normal Estimation [46.58627482563857]
  球面座標系における各点の正規点付近の角度場を学習する暗黙関数を提案する。 入力点の正規度を直接予測する代わりに、基底真理正規度とランダムにサンプリングされたクエリ正規度の間のアングルオフセットを予測する。
  論文  参考訳（メタデータ） (2022-11-30T10:11:47Z)
• HSurf-Net: Normal Estimation for 3D Point Clouds by Learning Hyper Surfaces [54.77683371400133]
  本稿では,ノイズと密度の変動のある点群から正規性を正確に予測できるHSurf-Netという新しい正規推定手法を提案する。 実験結果から, HSurf-Netは, 合成形状データセット上での最先端性能を実現することがわかった。
  論文  参考訳（メタデータ） (2022-10-13T16:39:53Z)
• Implicit Bias in Leaky ReLU Networks Trained on High-Dimensional Data [63.34506218832164]
  本研究では,ReLUを活性化した2層完全連結ニューラルネットワークにおける勾配流と勾配降下の暗黙的バイアスについて検討する。 勾配流には、均一なニューラルネットワークに対する暗黙のバイアスに関する最近の研究を活用し、リーク的に勾配流が2つ以上のランクを持つニューラルネットワークを生成することを示す。 勾配降下は, ランダムな分散が十分小さい場合, 勾配降下の1ステップでネットワークのランクが劇的に低下し, トレーニング中もランクが小さくなることを示す。
  論文  参考訳（メタデータ） (2022-10-13T15:09:54Z)
• Deep Point Cloud Normal Estimation via Triplet Learning [12.271669779096076]
  点雲の新しい正規推定法を提案する。 a) 局所パッチの表現を学習する特徴符号化と(b) 学習した表現を入力として取り、通常のベクトルを回帰する正規推定である。 本手法は,シャープな特徴を保存し,CAD形状の正常な推定結果を改善する。
  論文  参考訳（メタデータ） (2021-10-20T11:16:00Z)
• Virtual Normal: Enforcing Geometric Constraints for Accurate and Robust Depth Prediction [87.08227378010874]
  深度予測における高次3次元幾何学的制約の重要性を示す。 単純な幾何学的制約を強制する損失項を設計することにより、単眼深度推定の精度とロバスト性を大幅に改善する。 The-of-the-art results of learning metric depth on NYU Depth-V2 and KITTI。
  論文  参考訳（メタデータ） (2021-03-07T00:08:21Z)

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。