論文の概要: PPSURF: Combining Patches and Point Convolutions for Detailed Surface Reconstruction

• arxiv url: http://arxiv.org/abs/2401.08518v2
• Date: Thu, 8 Feb 2024 15:10:39 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-09 18:37:10.580537
• Title: PPSURF: Combining Patches and Point Convolutions for Detailed Surface Reconstruction
• Title（参考訳）: PPSURF:詳細な表面再構成のためのパッチとポイントの畳み込み
• Authors: Philipp Erler and Lizeth Fuentes and Pedro Hermosilla and Paul Guerrero and Renato Pajarola and Michael Wimmer
• Abstract要約: PPSurfは、ポイント畳み込みに基づくグローバル事前処理と、ローカルポイントクラウドパッチの処理に基づくローカル事前処理を組み合わせた手法である。 提案手法は,現在の最先端技術よりも高精度に表面情報を復元しながら,ノイズに対して頑健であることを示す。
• 参考スコア（独自算出の注目度）: 15.843730758485917
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: 3D surface reconstruction from point clouds is a key step in areas such as content creation, archaeology, digital cultural heritage, and engineering. Current approaches either try to optimize a non-data-driven surface representation to fit the points, or learn a data-driven prior over the distribution of commonly occurring surfaces and how they correlate with potentially noisy point clouds. Data-driven methods enable robust handling of noise and typically either focus on a global or a local prior, which trade-off between robustness to noise on the global end and surface detail preservation on the local end. We propose PPSurf as a method that combines a global prior based on point convolutions and a local prior based on processing local point cloud patches. We show that this approach is robust to noise while recovering surface details more accurately than the current state-of-the-art. Our source code, pre-trained model and dataset are available at: https://github.com/cg-tuwien/ppsurf
• Abstract（参考訳）: ポイントクラウドからの3次元表面再構成は,コンテンツ創造,考古学,デジタル文化遺産,工学といった分野において重要なステップである。 現在のアプローチでは、ポイントに合うようにデータ駆動の表面表現を最適化するか、あるいは一般的に発生する表面の分布と、潜在的にノイズの多い点雲との相関性について、データ駆動の事前学習を試みる。 データ駆動方式は、雑音のロバストな処理を可能にし、通常、グローバルかローカルのプリエントに焦点を合わせ、グローバルエンドの雑音に対するロバスト性とローカルエンドにおける表面ディテールの保存とのトレードオフを可能にする。 本稿では,ポイント畳み込みに基づくグローバル事前処理とローカルクラウドパッチ処理に基づくローカル事前処理を組み合わせた手法としてPSurfを提案する。 この手法は,現在の最先端技術よりも精度の高い表面情報を復元しながら,ノイズに対して頑健であることを示す。 ソースコード、事前トレーニングされたモデル、データセットは、https://github.com/cg-tuwien/ppsurf.comで利用可能です。

関連論文リスト

• Inferring Neural Signed Distance Functions by Overfitting on Single Noisy Point Clouds through Finetuning Data-Driven based Priors [53.6277160912059]
  本稿では,データ駆動型およびオーバーフィット型手法のプロースを推進し,より一般化し,高速な推論を行い,より高精度なニューラルネットワークSDFを学習する手法を提案する。 そこで本研究では,距離管理やクリーンポイントクラウド,あるいは点正規化を伴わずに,データ駆動型プリエントを微調整できる新しい統計的推論アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-25T16:48:44Z)
• A Survey and Benchmark of Automatic Surface Reconstruction from Point Clouds [12.58355339505807]
  点雲から表面を復元する従来の手法と学習法の両方を提示する。 従来のアプローチでは、入力点の雲または結果として生じる表面に手作りの先行を課すことで問題を単純化することが多い。 ディープラーニングモデルには、入力ポイントクラウドの特性を直接学習する能力がある。
  論文  参考訳（メタデータ） (2023-01-31T14:18:19Z)
• 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)
• Surface Reconstruction from Point Clouds by Learning Predictive Context Priors [68.12457459590921]
  点雲からの表面の再構成は、3Dコンピュータビジョンにとって不可欠である。 推論時に各ポイントクラウドに対して予測的クエリを学習することで予測的コンテキスト優先を導入する。 一つの形状や複雑なシーンの表面再構成実験の結果, 広く使用されているベンチマークでは, 最先端のベンチマークよりも顕著な改善が見られた。
  論文  参考訳（メタデータ） (2022-04-23T08:11:33Z)
• POCO: Point Convolution for Surface Reconstruction [92.22371813519003]
  入射ニューラルネットワークは点雲からの表面再構成に成功している。 それらの多くは、オブジェクトやシーン全体を1つの潜伏ベクトルにエンコードするときにスケーラビリティの問題に直面します。 本稿では,各入力点における点雲畳み込みと潜在ベクトルの計算を提案する。
  論文  参考訳（メタデータ） (2022-01-05T21:26:18Z)
• Sign-Agnostic Implicit Learning of Surface Self-Similarities for Shape Modeling and Reconstruction from Raw Point Clouds [35.80493796701116]
  物体の表面全体を共有・適応的にモデリングするための局所暗黙的表面ネットワークを学習することを提案する。 また、各表面パッチの最適化潜在符号間の相関性を改善することにより、表面の自己相似性の活用も促進する。 私たちのフレームワークは、表面自己相似性(SAIL-S3)の符号認識暗黙学習(Sign-Agnostic Implicit Learning)と呼びます。
  論文  参考訳（メタデータ） (2020-12-14T13:33:22Z)
• Skeleton-bridged Point Completion: From Global Inference to Local Adjustment [48.2757171993437]
  形状整形のための骨格ブリッジ型点完備ネットワーク(SK-PCN)を提案する。 部分スキャンにより,まずその3次元骨格を予測し,大域構造を求める。 形状の完備化を構造推定と表面再構成に分離し,学習の難易度を緩和する。
  論文  参考訳（メタデータ） (2020-10-14T22:49:30Z)
• Points2Surf: Learning Implicit Surfaces from Point Cloud Patches [35.2104818061992]
  スキャンベースの計算における重要なステップは、秩序のない点雲を表面に変換することである。 Points2Surfはパッチベースの新しい学習フレームワークで、正常なスキャンから正確な表面を直接生成する。
  論文  参考訳（メタデータ） (2020-07-20T20:25:39Z)
• Meshing Point Clouds with Predicted Intrinsic-Extrinsic Ratio Guidance [30.863194319818223]
  既存のポイントへの接続情報のみを付加することで、インプットポイントクラウドを可能な限り活用することを提案する。 私たちの重要なイノベーションはローカル接続のサロゲートであり、本質的/外生的メトリクスを比較して計算します。 提案手法は, 詳細を保存できるだけでなく, あいまいな構造を扱えるだけでなく, 目に見えないカテゴリに対して強い一般化性を持つことを示す。
  論文  参考訳（メタデータ） (2020-07-17T22:36:00Z)
• Cascaded Refinement Network for Point Cloud Completion [74.80746431691938]
  本稿では,細かな物体形状を合成するための粗大な戦略とともに,カスケード型精細化ネットワークを提案する。 部分入力の局所的な詳細と大域的な形状情報を合わせて考えると、既存の詳細を不完全点集合に保存することができる。 また、各局所領域が同じパターンと基底的真理を持つことを保証し、複雑な点分布を学習するパッチ判別器を設計する。
  論文  参考訳（メタデータ） (2020-04-07T13:03:29Z)

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。