論文の概要: Surface Normal Estimation with Transformers

• arxiv url: http://arxiv.org/abs/2401.05745v1
• Date: Thu, 11 Jan 2024 08:52:13 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-12 19:40:05.458840
• Title: Surface Normal Estimation with Transformers
• Title（参考訳）: 変圧器による表面正規化
• Authors: Barry Shichen Hu, Siyun Liang, Johannes Paetzold, Huy H. Nguyen, Isao Echizen, Jiapeng Tang
• Abstract要約: ノイズと密度の変動を考慮した点群から正規分布を正確に予測する変換器を提案する。 本手法は,合成形状データセットPCPNetと実世界の屋内シーンPCPNNの両方で最先端の性能を実現する。
• 参考スコア（独自算出の注目度）: 11.198936434401382
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose the use of a Transformer to accurately predict normals from point clouds with noise and density variations. Previous learning-based methods utilize PointNet variants to explicitly extract multi-scale features at different input scales, then focus on a surface fitting method by which local point cloud neighborhoods are fitted to a geometric surface approximated by either a polynomial function or a multi-layer perceptron (MLP). However, fitting surfaces to fixed-order polynomial functions can suffer from overfitting or underfitting, and learning MLP-represented hyper-surfaces requires pre-generated per-point weights. To avoid these limitations, we first unify the design choices in previous works and then propose a simplified Transformer-based model to extract richer and more robust geometric features for the surface normal estimation task. Through extensive experiments, we demonstrate that our Transformer-based method achieves state-of-the-art performance on both the synthetic shape dataset PCPNet, and the real-world indoor scene dataset SceneNN, exhibiting more noise-resilient behavior and significantly faster inference. Most importantly, we demonstrate that the sophisticated hand-designed modules in existing works are not necessary to excel at the task of surface normal estimation.
• Abstract（参考訳）: 本稿では,ノイズや密度の変動を伴う点雲から正規分布を正確に予測するための変圧器の利用を提案する。 従来の学習手法では、PointNetの変種を用いて、異なる入力スケールでマルチスケールの特徴を明示的に抽出し、多項式関数または多層パーセプトロン(MLP)によって近似された幾何学曲面に局所的な点雲近傍を嵌合させる表面フィッティング法に着目していた。 しかし、固定階多項式関数への嵌合面は過度な適合や不適合に悩まされ、MDPで表される超曲面を学習するには、点当たりの重みを事前に生成する必要がある。 これらの制約を避けるため、まず、前回の作業における設計選択を統一し、さらに、表面正規推定タスクに対してより豊かでより堅牢な幾何学的特徴を抽出するために、簡易なトランスフォーマモデルを提案する。 広範な実験により,本手法は合成形状データセットpcpnetと実世界の屋内シーンデータセットscenennの両方において最先端の性能を実現し,より高いノイズ耐性とはるかに高速な推論を実現することを実証した。 最も重要なことは、既存の作業における洗練された手設計のモジュールは、表面正規推定のタスクにおいて、卓越する必要がないことである。

関連論文リスト

• ND-SDF: Learning Normal Deflection Fields for High-Fidelity Indoor Reconstruction [50.07671826433922]
  微妙な幾何を同時に復元し、異なる特徴を持つ領域をまたいだ滑らかさを保つことは自明ではない。 そこで我々は,ND-SDFを提案する。ND-SDFは,通常のシーンとそれ以前のシーンの角偏差を表す正規偏向場を学習する。 本手法は, 壁面や床面などのスムーズなテクスチャ構造を得るだけでなく, 複雑な構造の幾何学的詳細も保存する。
  論文  参考訳（メタデータ） (2024-08-22T17:59:01Z)
• Flatten Anything: Unsupervised Neural Surface Parameterization [76.4422287292541]
  本研究では,FAM(Flatten Anything Model)を導入し,グローバルな自由境界面パラメータ化を実現する。 従来の手法と比較して,FAMは接続情報を活用することなく,個別の面上で直接動作する。 当社のFAMは前処理を必要とせずに完全に自動化されており,高度に複雑なトポロジを扱うことができる。
  論文  参考訳（メタデータ） (2024-05-23T14:39:52Z)
• 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)
• Explicit Neural Surfaces: Learning Continuous Geometry With Deformation Fields [33.38609930708073]
  本稿では、既知の基底領域からの変形場と位相をエンコードする効率的な滑らかな表面表現であるExplicit Neural Surfaces (ENS)を紹介する。 暗黙の面と比較して、ENSは高速で、数桁の速度で推論を行うことができる。
  論文  参考訳（メタデータ） (2023-06-05T15:24:33Z)
• Rethinking the Approximation Error in 3D Surface Fitting for Point Cloud Normal Estimation [39.79759035338819]
  推定値と精密表面標準値のギャップを埋めるための基本設計原則を2つ提示する。 この2つの原理をディープニューラルネットワークを用いて実装し、プラグアンドプレイ方式で最先端のSOTA(State-of-the-art)正規推定手法と統合する。
  論文  参考訳（メタデータ） (2023-03-30T05:59:43Z)
• HSurf-Net: Normal Estimation for 3D Point Clouds by Learning Hyper Surfaces [54.77683371400133]
  本稿では,ノイズと密度の変動のある点群から正規性を正確に予測できるHSurf-Netという新しい正規推定手法を提案する。 実験結果から, HSurf-Netは, 合成形状データセット上での最先端性能を実現することがわかった。
  論文  参考訳（メタデータ） (2022-10-13T16:39:53Z)
• PnP-DETR: Towards Efficient Visual Analysis with Transformers [146.55679348493587]
  近年、DeTRはトランスフォーマーを用いたソリューションビジョンタスクの先駆者であり、画像特徴マップを直接オブジェクト結果に変換する。 最近の変圧器を用いた画像認識モデルとTTは、一貫した効率向上を示す。
  論文  参考訳（メタデータ） (2021-09-15T01:10:30Z)
• 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)
• 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)
• DeepFit: 3D Surface Fitting via Neural Network Weighted Least Squares [43.24287146191367]
  本研究では,非構造型3次元点雲の表面フィッティング法を提案する。 DeepFitと呼ばれるこの方法は、ニューラルネットワークを組み込んで、重み付けされた最小二乗表面フィッティングのポイントワイド重みを学習する。
  論文  参考訳（メタデータ） (2020-03-23T09:18:54Z)

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。