論文の概要: Learnable Chamfer Distance for Point Cloud Reconstruction

• arxiv url: http://arxiv.org/abs/2312.16582v1
• Date: Wed, 27 Dec 2023 14:17:46 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-29 18:52:18.979507
• Title: Learnable Chamfer Distance for Point Cloud Reconstruction
• Title（参考訳）: ポイントクラウド再構築のための学習可能なシャムハ距離
• Authors: Tianxin Huang, Qingyao Liu, Xiangrui Zhao, Jun Chen, Yong Liu
• Abstract要約: 我々は,Learningable Chamfer Distance (LCD) という,シンプルだが効果的な再構成損失を提案する。 LCDは、再構成された結果の欠陥を検索し、静的マッチングルールの弱点を克服する。 複数のリコンストラクションネットワークの実験では、LCDがより良いリコンストラクション性能を達成するのに役立つことが確認されている。
• 参考スコア（独自算出の注目度）: 19.145838528270634
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As point clouds are 3D signals with permutation invariance, most existing works train their reconstruction networks by measuring shape differences with the average point-to-point distance between point clouds matched with predefined rules. However, the static matching rules may deviate from actual shape differences. Although some works propose dynamically-updated learnable structures to replace matching rules, they need more iterations to converge well. In this work, we propose a simple but effective reconstruction loss, named Learnable Chamfer Distance (LCD) by dynamically paying attention to matching distances with different weight distributions controlled with a group of learnable networks. By training with adversarial strategy, LCD learns to search defects in reconstructed results and overcomes the weaknesses of static matching rules, while the performances at low iterations can also be guaranteed by the basic matching algorithm. Experiments on multiple reconstruction networks confirm that LCD can help achieve better reconstruction performances and extract more representative representations with faster convergence and comparable training efficiency. The source codes are provided in https://github.com/Tianxinhuang/LCDNet.git.
• Abstract（参考訳）: 点雲は変分不変の3次元信号であるため、既存の作業の多くは、予め定義された規則と一致する点雲間の平均点間距離との形状差を計測して、再構成ネットワークを訓練する。 しかし、静的マッチング規則は実際の形状の違いから逸脱する可能性がある。 適合するルールを置き換えるために動的に更新された学習可能な構造を提案する作品もあるが、うまく収束するにはより多くのイテレーションが必要である。 本研究では,学習可能なネットワーク群で制御される異なる重み分布の一致した距離に動的に注意を払うことで,学習可能なチャンファー距離(LCD)という,シンプルで効果的な再構成損失を提案する。 逆戦略を用いてトレーニングすることにより、LCDは再構成された結果の欠陥を探索し、静的マッチングルールの弱点を克服する。 複数の再構成ネットワークの実験により、LCDはより優れた再構成性能を実現し、より高速な収束と同等の訓練効率でより代表的な表現を抽出できることを確認した。 ソースコードはhttps://github.com/Tianxinhuang/LCDNet.gitで公開されている。

関連論文リスト

• Clustering based Point Cloud Representation Learning for 3D Analysis [80.88995099442374]
  本稿では,ポイントクラウド分析のためのクラスタリングに基づく教師付き学習手法を提案する。 現在のデファクトでシーンワイドなトレーニングパラダイムとは異なり、我々のアルゴリズムは点埋め込み空間上でクラス内のクラスタリングを行う。 我々のアルゴリズムは、有名なポイントクラウドセグメンテーションデータセットの顕著な改善を示している。
  論文  参考訳（メタデータ） (2023-07-27T03:42:12Z)
• FCDSN-DC: An Accurate and Lightweight Convolutional Neural Network for Stereo Estimation with Depth Completion [14.876446067338406]
  本研究では,立体推定のための高精度で軽量な畳み込みニューラルネットワークを提案する。 FCDSN-DCを用いた完全畳み込み変形可能な類似性ネットワーク(FCDSN-DC)と命名する。 実世界の屋内・屋外のシーン,特にミドルベリー,キッティ,ETH3Dにおいて,競争力のある結果が得られた場合の課題について検討した。
  論文  参考訳（メタデータ） (2022-09-14T09:56:19Z)
• WarpingGAN: Warping Multiple Uniform Priors for Adversarial 3D Point Cloud Generation [46.59163671073759]
  WarpingGANは効率的で効率的な3Dポイントクラウド生成ネットワークである。 我々は、複数の同一の事前定義された事前定義を3次元形状にワープするために、統一された局所ワープ関数を学習する。 WarpingGANは、様々な解像度で均一に分散された3D点雲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） (2022-03-24T08:12:43Z)
• Deep Confidence Guided Distance for 3D Partial Shape Registration [14.315501760755609]
  部分的から部分的な3次元形状登録のための新しい非定型学習法を提案する。 本稿では,信頼誘導距離ネットワーク(CGD-net)を紹介し,点埋め込みと点雲間の空間距離との学習可能な類似性を融合させる。
  論文  参考訳（メタデータ） (2022-01-27T08:40:05Z)
• Multi-initialization Optimization Network for Accurate 3D Human Pose and Shape Estimation [75.44912541912252]
  我々はMulti-Initialization Optimization Network(MION)という3段階のフレームワークを提案する。 第1段階では,入力サンプルの2次元キーポイントに適合する粗い3次元再構成候補を戦略的に選択する。 第2段階では, メッシュ改質トランス (MRT) を設計し, 自己保持機構を用いて粗い再構成結果をそれぞれ洗練する。 最後に,RGB画像の視覚的証拠が与えられた3次元再構成と一致するかどうかを評価することで,複数の候補から最高の結果を得るために,一貫性推定ネットワーク(CEN)を提案する。
  論文  参考訳（メタデータ） (2021-12-24T02:43:58Z)
• DeepBBS: Deep Best Buddies for Point Cloud Registration [55.12101890792121]
  DeepBBSは、トレーニング中のポイント間の最良の相反する距離を考慮に入れた表現を学ぶための新しい方法である。 実験の結果,従来の手法と比較して性能が向上した。
  論文  参考訳（メタデータ） (2021-10-06T19:00:07Z)
• Dynamic Convolution for 3D Point Cloud Instance Segmentation [146.7971476424351]
  動的畳み込みに基づく3次元点雲からのインスタンスセグメンテーション手法を提案する。 我々は、同じ意味圏と閉投票を持つ等質点を幾何学的遠近点に対して収集する。 提案手法は提案不要であり、代わりに各インスタンスの空間的および意味的特性に適応する畳み込みプロセスを利用する。
  論文  参考訳（メタデータ） (2021-07-18T09:05:16Z)
• Robust Point Cloud Registration Framework Based on Deep Graph Matching [5.865029600972316]
  3Dポイントクラウド登録は、コンピュータビジョンとロボティクスにおける基本的な問題です。 点群登録のための深層グラフマッチングに基づく新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-03-07T04:20:29Z)
• An End-To-End-Trainable Iterative Network Architecture for Accelerated Radial Multi-Coil 2D Cine MR Image Reconstruction [4.233498905999929]
  我々は,複数のレシーバコイルを用いた加速2次元放射状シネMRIの画像再構成のためのCNNアーキテクチャを提案する。 提案手法を学習的・非学習的正規化手法と比較し,提案手法を他のよく知られた再構築手法と比較する。
  論文  参考訳（メタデータ） (2021-02-01T11:42:04Z)
• Neural-Pull: Learning Signed Distance Functions from Point Clouds by Learning to Pull Space onto Surfaces [68.12457459590921]
  3次元点雲から連続曲面を再構成することは、3次元幾何処理の基本的な操作である。 textitNeural-Pullは、シンプルで高品質なSDFを実現する新しいアプローチです。
  論文  参考訳（メタデータ） (2020-11-26T23:18:10Z)
• Recurrent Multi-view Alignment Network for Unsupervised Surface Registration [79.72086524370819]
  非厳格な登録をエンドツーエンドで学習することは、本質的に高い自由度とラベル付きトレーニングデータの欠如により困難である。 我々は、いくつかの剛性変換のポイントワイドな組み合わせで、非剛性変換を表現することを提案する。 また,投影された多視点2次元深度画像上での3次元形状の類似度を計測する可微分損失関数も導入する。
  論文  参考訳（メタデータ） (2020-11-24T14:22:42Z)

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。