論文の概要: GridFormer: Point-Grid Transformer for Surface Reconstruction

• arxiv url: http://arxiv.org/abs/2401.02292v1
• Date: Thu, 4 Jan 2024 14:31:56 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-05 14:59:14.855248
• Title: GridFormer: Point-Grid Transformer for Surface Reconstruction
• Title（参考訳）: gridformer: 表面再構成のためのポイントグリッドトランスフォーマ
• Authors: Shengtao Li, Ge Gao, Yudong Liu, Yu-Shen Liu, Ming Gu
• Abstract要約: 我々はGridFormer(GridFormer)という名前のグリッドとポイントの特徴の間に新しい注意機構を導入する。 このメカニズムは、グリッドを空間と点雲を繋ぐ移動点として扱う。 また,差分二項クロスエントロピー損失と境界サンプリングを併用した境界最適化手法を提案する。
• 参考スコア（独自算出の注目度）: 37.30776475324579
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Implicit neural networks have emerged as a crucial technology in 3D surface reconstruction. To reconstruct continuous surfaces from discrete point clouds, encoding the input points into regular grid features (plane or volume) has been commonly employed in existing approaches. However, these methods typically use the grid as an index for uniformly scattering point features. Compared with the irregular point features, the regular grid features may sacrifice some reconstruction details but improve efficiency. To take full advantage of these two types of features, we introduce a novel and high-efficiency attention mechanism between the grid and point features named Point-Grid Transformer (GridFormer). This mechanism treats the grid as a transfer point connecting the space and point cloud. Our method maximizes the spatial expressiveness of grid features and maintains computational efficiency. Furthermore, optimizing predictions over the entire space could potentially result in blurred boundaries. To address this issue, we further propose a boundary optimization strategy incorporating margin binary cross-entropy loss and boundary sampling. This approach enables us to achieve a more precise representation of the object structure. Our experiments validate that our method is effective and outperforms the state-of-the-art approaches under widely used benchmarks by producing more precise geometry reconstructions. The code is available at https://github.com/list17/GridFormer.
• Abstract（参考訳）: 入射ニューラルネットワークは3次元表面再構成において重要な技術である。 離散点雲から連続面を再構成するためには、入力点を通常の格子特徴(平面または体積)に符号化することが一般的である。 しかし、これらの手法は通常、一様散乱点特徴の指標としてグリッドを用いる。 不規則な点の特徴と比較すると、通常のグリッドの特徴はいくつかの再構築の詳細を犠牲にするが、効率は向上する。 これら2つの特徴を最大限に活用するために,グリッドとポイント機能の間に,ポイントグリッドトランス (GridFormer) という新しい,高効率なアテンション機構を導入する。 このメカニズムは、グリッドを空間と点クラウドを結ぶ転送ポイントとして扱う。 本手法はグリッド特徴の空間的表現性を最大化し,計算効率を維持する。 さらに、空間全体の予測を最適化すると、境界がぼやけてしまう可能性がある。 この問題に対処するために,余剰二項クロスエントロピー損失と境界サンプリングを組み込んだ境界最適化手法を提案する。 このアプローチにより、オブジェクト構造をより正確に表現することができます。 提案手法は,より正確な形状再構成を行うことで,広く用いられているベンチマークにおいて,最先端の手法よりも効果的であることを確認した。 コードはhttps://github.com/list17/gridformerで入手できる。

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)
• GridPull: Towards Scalability in Learning Implicit Representations from 3D Point Clouds [60.27217859189727]
  大規模クラウドから暗黙の表現を学習する効率を改善するため,GridPullを提案する。 我々の斬新さは、ニューラルネットワークを使わずにグリッド上に定義された離散距離場の高速な推論にある。 我々は、一様格子を用いて高速グリッド探索を行い、サンプルクエリをローカライズし、木構造内の表面点を整理し、表面への距離の計算を高速化する。
  論文  参考訳（メタデータ） (2023-08-25T04:52:52Z)
• SieveNet: Selecting Point-Based Features for Mesh Networks [41.74190660234404]
  メッシュは3Dコンピュータビジョンとグラフィックスで広く使用されているが、その不規則なトポロジは、既存のニューラルネットワークアーキテクチャに適用する際の課題を提起している。 メッシュニューラルネットワークの最近の進歩は、生メッシュを入力としてのみ取り込むパイオニアメソッドの境界を押し付けている。 本稿では、正規位相と正確な幾何学の両方を考慮した新しいパラダイムであるSieveNetを提案する。
  論文  参考訳（メタデータ） (2023-08-24T03:40:16Z)
• Flexible Isosurface Extraction for Gradient-Based Mesh Optimization [65.76362454554754]
  本研究では、勾配に基づくメッシュ最適化について考察し、スカラー場の等曲面として表現することで、3次元表面メッシュを反復的に最適化する。 我々は、幾何学的、視覚的、あるいは物理的目的に対して未知のメッシュを最適化するために特別に設計された、異面表現であるFlexiCubesを紹介する。
  論文  参考訳（メタデータ） (2023-08-10T06:40:19Z)
• Flattening-Net: Deep Regular 2D Representation for 3D Point Cloud Analysis [66.49788145564004]
  我々は、任意の幾何学と位相の不規則な3次元点雲を表現するために、Flattning-Netと呼ばれる教師なしのディープニューラルネットワークを提案する。 我々の手法は、現在の最先端の競合相手に対して好意的に機能する。
  論文  参考訳（メタデータ） (2022-12-17T15:05:25Z)
• GAMesh: Guided and Augmented Meshing for Deep Point Networks [4.599235672072547]
  本稿では、GAMeshと呼ばれる新しいメッシュアルゴリズムを提案する。これは、メッシュを使用して、ポイントネットワークの出力ポイントの表面を生成する。 この先に出力ポイントを投影することにより、GAMeshはメッシュと同じトポロジを持つ曲面を保証するが、その幾何学的忠実度は点ネットワークによって制御される。
  論文  参考訳（メタデータ） (2020-10-19T18:23:53Z)
• Neural Subdivision [58.97214948753937]
  本稿では,データ駆動型粗粒度モデリングの新しいフレームワークであるNeural Subdivisionを紹介する。 すべてのローカルメッシュパッチで同じネットワーク重みのセットを最適化するため、特定の入力メッシュや固定属、カテゴリに制約されないアーキテクチャを提供します。 単一の高分解能メッシュでトレーニングしても,本手法は新規な形状に対して合理的な区分を生成する。
  論文  参考訳（メタデータ） (2020-05-04T20:03:21Z)

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。