論文の概要: PointPCA+: Extending PointPCA objective quality assessment metric

• arxiv url: http://arxiv.org/abs/2311.13880v1
• Date: Thu, 23 Nov 2023 10:05:31 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-28 00:21:50.222106
• Title: PointPCA+: Extending PointPCA objective quality assessment metric
• Title（参考訳）: PointPCA+: 客観的品質評価尺度の拡張
• Authors: Xuemei Zhou, Evangelos Alexiou, Irene Viola, Pablo Cesar
• Abstract要約: PointPCA+は、ポイントクラウド品質アセスメント(PCQA)メトリクスの知覚関連記述子のセットである。 PointPCA+は、より効率的に計算される既存の幾何学やテクスチャ記述子を豊かにしながら、幾何学データにのみPCAを使用する。 テストの結果,PointPCA+は,公開データセットから得られる主観的真理スコアに対して,予測的ハイパフォーマンスを実現することがわかった。
• 参考スコア（独自算出の注目度）: 4.674509064536047
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A computationally-simplified and descriptor-richer Point Cloud Quality Assessment (PCQA) metric, namely PointPCA+, is proposed in this paper, which is an extension of PointPCA. PointPCA proposed a set of perceptually-relevant descriptors based on PCA decomposition that were applied to both the geometry and texture data of point clouds for full reference PCQA. PointPCA+ employs PCA only on the geometry data while enriching existing geometry and texture descriptors, that are computed more efficiently. Similarly to PointPCA, a total quality score is obtained through a learning-based fusion of individual predictions from geometry and texture descriptors that capture local shape and appearance properties, respectively. Before feature fusion, a feature selection module is introduced to choose the most effective features from a proposed super-set. Experimental results show that PointPCA+ achieves high predictive performance against subjective ground truth scores obtained from publicly available datasets. The code is available at \url{https://github.com/cwi-dis/pointpca_suite/}.
• Abstract（参考訳）: 本稿では,pointpca の拡張である pointpca+ という計算的単純化とディスクリプタ・リッチ・ポイント・クラウド品質評価(pcqa)指標を提案する。 完全参照PCQAのための点雲の幾何データとテクスチャデータの両方に適用したPCA分解に基づく知覚関連記述子セットを提案した。 PointPCA+は、より効率的に計算される既存の幾何学やテクスチャ記述子を豊かにしながら、幾何学データにのみPCAを使用する。 PointPCAと同様に、局所的な形状と外観特性をキャプチャする幾何学とテクスチャ記述子から個々の予測を学習ベースで融合することで、総品質スコアが得られる。 機能融合の前に、提案されたスーパーセットから最も効果的な機能を選択するために、機能選択モジュールが導入される。 実験結果から,PointPCA+は,公開データセットから得られた主観的真理値に対して高い予測性能を示した。 コードは \url{https://github.com/cwi-dis/pointpca_suite/} で入手できる。

関連論文リスト

• LoGDesc: Local geometric features aggregation for robust point cloud registration [4.888434990566421]
  本稿では,3次元点マッチングと点雲登録のためのハイブリッドディスクリプタを提案する。 局所幾何学的性質と学習に基づく特徴伝搬を各点の近傍構造記述に結合する。
  論文  参考訳（メタデータ） (2024-10-03T12:11:22Z)
• KP-RED: Exploiting Semantic Keypoints for Joint 3D Shape Retrieval and Deformation [87.23575166061413]
  KP-RED は KeyPoint 主導の Retrieval and deformation フレームワークである。 オブジェクトスキャンを入力として、最も幾何学的に類似したCADモデルを共同で検索し、変形させる。
  論文  参考訳（メタデータ） (2024-03-15T08:44:56Z)
• Point Deformable Network with Enhanced Normal Embedding for Point Cloud Analysis [59.12922158979068]
  近年,ポイントクラウド解析において高い性能を示す手法が提案されている。 単純なアーキテクチャは局所的な点群で幾何学的特徴を学ぶことができるが、長距離依存を直接モデル化することができない。 本稿では,表現能力の強い長距離関係を捉えるために,PDNet(Point Deformable Network)を提案する。
  論文  参考訳（メタデータ） (2023-12-20T14:52:07Z)
• No-Reference Point Cloud Quality Assessment via Weighted Patch Quality Prediction [19.128878108831287]
  地域相関分析機能を備えた非参照点雲質評価法(NR-PCQA)を提案する。 具体的には、ポイントクラウドをパッチに分割し、各パッチのテクスチャと構造機能を生成し、パッチ品質を予測するためにそれらをパッチ機能に融合させました。 実験の結果,提案手法はNR-PCQA法よりも優れていた。
  論文  参考訳（メタデータ） (2023-05-13T03:20:33Z)
• Point Cloud Quality Assessment using 3D Saliency Maps [37.290843791053256]
  そこで本研究では,品質予測の容易化を目的として,実効的な完全参照PCQA指標を提案する。 具体的には、まず、点雲の幾何学的特性をよりよく反映する深度情報を導入し、プロジェクションに基づく点雲塩分濃度マップ生成法を提案する。 最後に、最終的な品質スコアを生成するために、サリエンシに基づくプーリング戦略を提案する。
  論文  参考訳（メタデータ） (2022-09-30T13:59:09Z)
• Object Localization under Single Coarse Point Supervision [107.46800858130658]
  本稿では,粗い点アノテーションを用いたPOL手法を提案する。 CPRは、ポイントバッグを構築し、セマンティック関連点を選択し、マルチインスタンス学習(MIL)を通してセマンティックセンターポイントを生成する。 このようにして、CPRは、粗い点監督の下で高性能オブジェクトローカライザのトレーニングを保証する、弱い制御された進化手順を定義する。
  論文  参考訳（メタデータ） (2022-03-17T14:14:11Z)
• PMP-Net++: Point Cloud Completion by Transformer-Enhanced Multi-step Point Moving Paths [60.32185890237936]
  我々は、地球移動体の動作を模倣する新しいニューラルネットワーク、PMP-Net++を設計する。 不完全入力の各点を移動させ、点移動経路(PMP)の総距離が最短となる完全点雲を得る。 ネットワークは点レベルの厳密でユニークな対応を学習し、予測された完全形状の品質を向上させる。
  論文  参考訳（メタデータ） (2022-02-19T03:00:40Z)
• PCRP: Unsupervised Point Cloud Object Retrieval and Pose Estimation [50.3020332934185]
  そこで本研究では,PCRPと呼ばれる,教師なしのクラウドオブジェクトの検索とポーズ推定手法を提案する。 ModelNet40データセットの実験は、従来の学習ベースの手法と比較して、PCRPの優れた性能を示している。
  論文  参考訳（メタデータ） (2022-02-16T03:37:43Z)
• FAST-PCA: A Fast and Exact Algorithm for Distributed Principal Component Analysis [12.91948651812873]
  主成分分析(PCA)は、機械学習の世界における基本的なデータ前処理ツールである。 本稿では,FAST-PCA (Fast and exact distributed PCA) と呼ばれる分散PCAアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-08-27T16:10:59Z)
• Skeleton-bridged Point Completion: From Global Inference to Local Adjustment [48.2757171993437]
  形状整形のための骨格ブリッジ型点完備ネットワーク(SK-PCN)を提案する。 部分スキャンにより,まずその3次元骨格を予測し,大域構造を求める。 形状の完備化を構造推定と表面再構成に分離し,学習の難易度を緩和する。
  論文  参考訳（メタデータ） (2020-10-14T22:49:30Z)

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。