論文の概要: CMG-Net: Robust Normal Estimation for Point Clouds via Chamfer Normal
Distance and Multi-scale Geometry
- arxiv url: http://arxiv.org/abs/2312.09154v1
- Date: Thu, 14 Dec 2023 17:23:16 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-15 20:54:34.504898
- Title: CMG-Net: Robust Normal Estimation for Point Clouds via Chamfer Normal
Distance and Multi-scale Geometry
- Title(参考訳): CMG-Net: Chamfer normal Distance と Multi-scale Geometry による点雲のロバスト正規推定
- Authors: Yingrui Wu, Mingyang Zhao, Keqiang Li, Weize Quan, Tianqi Yu, Jianfeng
Yang, Xiaohong Jia, Dong-Ming Yan
- Abstract要約: この研究は、点雲から正規度を推定するための正確で堅牢な方法を示す。
まず,この問題に対処するため,シャンファー正規距離(Chamfer Normal Distance)と呼ばれる新しい尺度を提案する。
マルチスケールな局所的特徴集約と階層的幾何情報融合を含む革新的なアーキテクチャを考案する。
- 参考スコア(独自算出の注目度): 23.86650228464599
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This work presents an accurate and robust method for estimating normals from
point clouds. In contrast to predecessor approaches that minimize the
deviations between the annotated and the predicted normals directly, leading to
direction inconsistency, we first propose a new metric termed Chamfer Normal
Distance to address this issue. This not only mitigates the challenge but also
facilitates network training and substantially enhances the network robustness
against noise. Subsequently, we devise an innovative architecture that
encompasses Multi-scale Local Feature Aggregation and Hierarchical Geometric
Information Fusion. This design empowers the network to capture intricate
geometric details more effectively and alleviate the ambiguity in scale
selection. Extensive experiments demonstrate that our method achieves the
state-of-the-art performance on both synthetic and real-world datasets,
particularly in scenarios contaminated by noise. Our implementation is
available at https://github.com/YingruiWoo/CMG-Net_Pytorch.
- Abstract(参考訳): この研究は、点雲から正規度を推定するための正確で堅牢な方法を示す。
注釈付き正規値と予測正規値との偏差を最小化して方向の不整合をもたらす従来の手法とは対照的に,我々はまずこの問題に対処するための新しい計量であるシャンファー正規距離(Chamfer Normal Distance)を提案する。
これにより、課題を軽減するだけでなく、ネットワークトレーニングも容易になり、ノイズに対するネットワークロバスト性が大幅に向上する。
その後,マルチスケールな局所的特徴集約と階層的幾何情報融合を含む革新的なアーキテクチャを考案する。
この設計により、ネットワークは複雑な幾何学的詳細をより効果的に捉え、スケール選択の曖昧さを軽減することができる。
広範な実験により,本手法は合成データと実世界データの両方において,特にノイズによって汚染されたシナリオにおいて最先端のパフォーマンスを達成できることが証明された。
私たちの実装はhttps://github.com/yingruiwoo/cmg-net_pytorchで利用可能です。
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) - NeuralGF: Unsupervised Point Normal Estimation by Learning Neural
Gradient Function [55.86697795177619]
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。
論文 参考訳(メタデータ) (2023-11-01T09:25:29Z) - SHS-Net: Learning Signed Hyper Surfaces for Oriented Normal Estimation
of Point Clouds [54.89855828917265]
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。
我々のSHS-Netは、広く使用されているベンチマークにおいて、非オブジェクト指向とオブジェクト指向の正規推定の両方において最先端の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) (2023-05-10T03:40:25Z) - Iterative Soft Shrinkage Learning for Efficient Image Super-Resolution [91.3781512926942]
画像超解像(SR)は、CNNからトランスフォーマーアーキテクチャへの広範なニューラルネットワーク設計を目撃している。
本研究は,市販のネットワーク設計を生かし,基礎となる計算オーバーヘッドを低減するため,超高解像度イテレーションにおけるネットワークプルーニングの可能性について検討する。
本研究では, ランダムネットワークのスパース構造を最適化し, 重要でない重みを小さめに微調整することにより, 反復型軟収縮率(ISS-P)法を提案する。
論文 参考訳(メタデータ) (2023-03-16T21:06:13Z) - Scaling Forward Gradient With Local Losses [117.22685584919756]
フォワード学習は、ディープニューラルネットワークを学ぶためのバックプロップに代わる生物学的に妥当な代替手段である。
重みよりも活性化に摂動を適用することにより、前方勾配のばらつきを著しく低減できることを示す。
提案手法はMNIST と CIFAR-10 のバックプロップと一致し,ImageNet 上で提案したバックプロップフリーアルゴリズムよりも大幅に優れていた。
論文 参考訳(メタデータ) (2022-10-07T03:52:27Z) - Spelunking the Deep: Guaranteed Queries for General Neural Implicit
Surfaces [35.438964954948574]
この研究は、広範囲の既存アーキテクチャに対して、一般的なニューラル暗黙関数でクエリを直接実行するための新しいアプローチを示す。
私たちのキーとなるツールは、ニューラルネットワークへのレンジ分析の適用であり、ネットワークの出力を領域を越えてバウンドするために自動演算ルールを使用します。
得られた境界を用いて、レイキャスト、交差試験、空間階層の構築、高速メッシュ抽出、最近点評価などのクエリを開発する。
論文 参考訳(メタデータ) (2022-02-05T00:37:08Z) - Deep Point Cloud Normal Estimation via Triplet Learning [11.481292852496583]
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) - Monocular Depth Estimation Primed by Salient Point Detection and
Normalized Hessian Loss [43.950140695759764]
本稿では,単眼深度推定のための高精度で軽量なフレームワークを提案する。
深度方向のスケーリングとせん断に不変な正規化ヘッセン損失項を導入し,精度を著しく向上させることを示した。
提案手法は,NYU-Depth-v2 と KITTI の3.1-38.4 倍小さいモデルを用いて,ベースライン手法よりもパラメータ数が多い場合の最先端結果を実現する。
論文 参考訳(メタデータ) (2021-08-25T07:51:09Z) - AdaFit: Rethinking Learning-based Normal Estimation on Point Clouds [31.641383879577894]
本稿では,AdaFit という,雑音と密度の変動を伴う点雲に対処可能な,点雲上でのロバストな正規推定のためのニューラルネットワークを提案する。
既存の研究では、ネットワークを用いて最小表面の重み付けの点での重みを学習し、正規性を推定している。
そこで本研究では,通常の推定精度を向上させるために,新たなオフセット予測を付加する,シンプルで効果的な解を提案する。
論文 参考訳(メタデータ) (2021-08-12T16:37:24Z) - Deep Magnification-Flexible Upsampling over 3D Point Clouds [103.09504572409449]
本稿では,高密度点雲を生成するためのエンドツーエンド学習ベースのフレームワークを提案する。
まずこの問題を明示的に定式化し、重みと高次近似誤差を判定する。
そこで我々は,高次改良とともに,統一重みとソート重みを適応的に学習する軽量ニューラルネットワークを設計する。
論文 参考訳(メタデータ) (2020-11-25T14:00:18Z)
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。