論文の概要: A Conditional Denoising Diffusion Probabilistic Model for Point Cloud
Upsampling
- arxiv url: http://arxiv.org/abs/2312.02719v1
- Date: Sun, 3 Dec 2023 12:41:41 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-06 15:42:41.945073
- Title: A Conditional Denoising Diffusion Probabilistic Model for Point Cloud
Upsampling
- Title(参考訳): 点群アップサンプリングのための条件付き拡散確率モデル
- Authors: Wentao Qu, Yuantian Shao, Lingwu Meng, Xiaoshui Huang, Liang Xiao
- Abstract要約: PUDMと呼ばれる点群アップサンプリングのための条件分解拡散確率モデル(DDPM)を提案する。
PUDMはスパース点雲を条件として扱い、高密度点雲と雑音の間の変換関係を反復的に学習する。
PUDMは実験結果に強い耐雑音性を示す。
- 参考スコア(独自算出の注目度): 10.390581335119098
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Point cloud upsampling (PCU) enriches the representation of raw point clouds,
significantly improving the performance in downstream tasks such as
classification and reconstruction. Most of the existing point cloud upsampling
methods focus on sparse point cloud feature extraction and upsampling module
design. In a different way, we dive deeper into directly modelling the gradient
of data distribution from dense point clouds. In this paper, we proposed a
conditional denoising diffusion probability model (DDPM) for point cloud
upsampling, called PUDM. Specifically, PUDM treats the sparse point cloud as a
condition, and iteratively learns the transformation relationship between the
dense point cloud and the noise. Simultaneously, PUDM aligns with a dual
mapping paradigm to further improve the discernment of point features. In this
context, PUDM enables learning complex geometry details in the ground truth
through the dominant features, while avoiding an additional upsampling module
design. Furthermore, to generate high-quality arbitrary-scale point clouds
during inference, PUDM exploits the prior knowledge of the scale between sparse
point clouds and dense point clouds during training by parameterizing a rate
factor. Moreover, PUDM exhibits strong noise robustness in experimental
results. In the quantitative and qualitative evaluations on PU1K and PUGAN,
PUDM significantly outperformed existing methods in terms of Chamfer Distance
(CD) and Hausdorff Distance (HD), achieving state of the art (SOTA)
performance.
- Abstract(参考訳): ポイントクラウドアップサンプリング(PCU)は、生のポイントクラウドの表現を豊かにし、分類や再構築といった下流タスクのパフォーマンスを大幅に向上させる。
既存のポイントクラウドアップサンプリングメソッドのほとんどは、スパースポイントクラウド機能抽出とアップサンプリングモジュール設計に重点を置いている。
別の方法では、高密度の点雲からのデータ分布の勾配を直接モデル化する。
本稿では,PUDMと呼ばれる点群アップサンプリングのための条件分解拡散確率モデル(DDPM)を提案する。
具体的には、PUDMはスパース点雲を条件として扱い、高密度点雲とノイズの間の変換関係を反復的に学習する。
同時にPUDMは、点特徴の識別をさらに改善するために、デュアルマッピングパラダイムと整合する。
この文脈では、PUDMは、追加のアップサンプリングモジュール設計を回避しつつ、支配的な特徴を通じて、地上の真実の中で複雑な幾何学の詳細を学習することができる。
さらに、推定中に高品質の任意のスケールのポイントクラウドを生成するため、pudmはレート係数をパラメータ化することにより、トレーニング中にスパースポイント雲と密集点雲の間のスケールの事前知識を利用する。
さらに, PUDMは実験結果に強い耐雑音性を示す。
PU1KとPUGANの定量および定性評価において,PUDMは従来の方法に比べて,シャンファー距離 (CD) とハウスドルフ距離 (HD) で有意に優れており,SOTAのパフォーマンスが達成されている。
関連論文リスト
- Point Cloud Resampling with Learnable Heat Diffusion [58.050130177241186]
ポイントクラウド再サンプリングのための学習可能な熱拡散フレームワークを提案する。
前の固定された拡散モデルとは異なり、適応条件は点雲の幾何学的特徴を選択的に保存する。
論文 参考訳(メタデータ) (2024-11-21T13:44:18Z) - Point Cloud Pre-training with Diffusion Models [62.12279263217138]
我々は、ポイントクラウド拡散事前学習(PointDif)と呼ばれる新しい事前学習手法を提案する。
PointDifは、分類、セグメンテーション、検出など、さまざまな下流タスクのために、さまざまな現実世界のデータセット間で大幅に改善されている。
論文 参考訳(メタデータ) (2023-11-25T08:10:05Z) - Controllable Mesh Generation Through Sparse Latent Point Diffusion
Models [105.83595545314334]
メッシュ生成のための新しいスパース潜在点拡散モデルを設計する。
私たちの重要な洞察は、ポイントクラウドをメッシュの中間表現と見なし、代わりにポイントクラウドの分布をモデル化することです。
提案したスパース潜在点拡散モデルにより,生成品質と制御性において優れた性能が得られる。
論文 参考訳(メタデータ) (2023-03-14T14:25:29Z) - Joint Geometry and Attribute Upsampling of Point Clouds Using
Frequency-Selective Models with Overlapped Support [4.211128681972148]
本稿では,周波数選択型アップサンプリング(FSU)を提案する。
平面間誤差と平面-平面角類似性の観点から,提案したFSUの最適性能を示す。
論文 参考訳(メタデータ) (2023-01-27T10:20:06Z) - PU-MFA : Point Cloud Up-sampling via Multi-scale Features Attention [0.0]
本稿では,マルチスケール特徴注意(PU-MFA)によるポイントクラウドアップサンプリングと呼ばれる新しいポイントクラウドアップサンプリング手法を提案する。
PU-MFAは,他の最先端手法と比較して定量的,定性的評価において優れた性能を示した。
論文 参考訳(メタデータ) (2022-08-22T02:53:05Z) - BIMS-PU: Bi-Directional and Multi-Scale Point Cloud Upsampling [60.257912103351394]
我々はBIMS-PUと呼ばれる新しいポイント・クラウド・アップサンプリング・パイプラインを開発した。
対象のサンプリング因子を小さな因子に分解することにより,アップ/ダウンサンプリング手順をいくつかのアップ/ダウンサンプリングサブステップに分解する。
提案手法は最先端手法よりも優れた結果が得られることを示す。
論文 参考訳(メタデータ) (2022-06-25T13:13:37Z) - 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) - Deep Point Set Resampling via Gradient Fields [11.5128379063303]
現実世界のオブジェクトやシーンをスキャンして取得した3Dポイントクラウドは、幅広いアプリケーションを見つけました。
しばしばノイズに悩まされるか、低密度に悩まされるため、表面の再構築や理解といった下流の作業が妨げられる。
本稿では, 点雲の連続勾配場を学習する, 復元のための点集合再サンプリングの新しいパラダイムを提案する。
論文 参考訳(メタデータ) (2021-11-03T07:20:35Z) - 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) - "Zero Shot" Point Cloud Upsampling [4.737519767218666]
本稿では,Zero Shot" Point Cloud Upsampling (ZSPU) と呼ばれる点群を総括的に監視する手法を提案する。
我々のアプローチは、自己学習とテストの両方のフェーズにパッチを当てることなく、特定のポイントクラウドによって提供される内部情報のみに基づいています。
ZSPUは、複雑な局所的な詳細や高い曲率を持つ形状の質的な結果を得る。
論文 参考訳(メタデータ) (2021-06-25T17:06:18Z)
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。