論文の概要: REPS: Reconstruction-based Point Cloud Sampling

• arxiv url: http://arxiv.org/abs/2403.05047v1
• Date: Fri, 8 Mar 2024 04:48:56 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-11 20:54:24.569780
• Title: REPS: Reconstruction-based Point Cloud Sampling
• Title（参考訳）: REPS:レコンストラクションベースのポイントクラウドサンプリング
• Authors: Guoqing Zhang, Wenbo Zhao, Jian Liu, Xianming Liu
• Abstract要約: ディープ・ダウンサンプリング法は、ジェネレーティブ・ベースとスコア・ベースという2つの主要なタイプに分類される。 本稿では,再構築に基づくスコアリング戦略であるREPSを提案する。 本手法は, サンプリングした点雲の構造的特徴を保存するための従来の手法よりも優れていた。
• 参考スコア（独自算出の注目度）: 37.10538035973968
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sampling is widely used in various point cloud tasks as it can effectively reduce resource consumption. Recently, some methods have proposed utilizing neural networks to optimize the sampling process for various task requirements. Currently, deep downsampling methods can be categorized into two main types: generative-based and score-based. Generative-based methods directly generate sampled point clouds using networks, whereas score-based methods assess the importance of points according to specific rules and then select sampled point clouds based on their scores. However, these methods often result in noticeable clustering effects in high-intensity feature areas, compromising their ability to preserve small-scale features and leading to the loss of some structures, thereby affecting the performance of subsequent tasks. In this paper, we propose REPS, a reconstruction-based scoring strategy that evaluates the importance of each vertex by removing and reconstructing them using surrounding vertices. Our reconstruction process comprises point reconstruction and shape reconstruction. The two aforementioned reconstruction methods effectively evaluate the importance of vertices by removing them at different scales for reconstruction. These reconstructions ensure that our method maintains the overall geometric features of the point cloud and avoids disturbing small-scale structures during sampling. Additionally, we propose the Global-Local Fusion Attention (GLFA) module, which aggregates local and global attention features of point clouds, ensuring high-quality reconstruction and sampling effects. Our method outperforms previous approaches in preserving the structural features of the sampled point clouds. Furthermore, abundant experimental results demonstrate the superior performance of our method across various common tasks.
• Abstract（参考訳）: サンプリングは、リソース消費を効果的に削減できるため、様々なポイントクラウドタスクで広く使われている。 近年,様々なタスク要求に対するサンプリングプロセスの最適化にニューラルネットワークを利用する手法が提案されている。 現在、ディープダウンサンプリングの方法は、生成ベースとスコアベースという2つの主なタイプに分類できる。 生成的手法はネットワークを用いてサンプルクラウドを直接生成するのに対し、スコアベース手法は特定のルールに従ってポイントの重要性を評価し、そのスコアに基づいてサンプルクラウドを選択する。 しかし、これらの手法は、しばしば高強度の特徴領域において顕著なクラスタリング効果をもたらし、小規模の特徴を保ち、いくつかの構造が失われ、その後のタスクのパフォーマンスに影響を及ぼす。 本稿では,周辺頂点を用いて各頂点を除去・再構成することで,各頂点の重要性を評価する再構築型スコアリング戦略REPSを提案する。 再建過程は点再構成と形状再構成を含む。 上記2つの再建方法は, 異なる規模で除去することで, 頂点の重要性を効果的に評価する。 これらの再構成により,本手法は点雲の全体的な幾何学的特徴を維持でき,サンプリング中の小規模構造の乱れを回避できる。 さらに,ポイントクラウドの局所的およびグローバルな注意特徴を集約し,高品質な再構築とサンプリング効果を確保するGLFAモジュールを提案する。 本手法は, サンプル点雲の構造的特徴を保存するための従来の手法よりも優れていた。 さらに,多種多様な共通課題にまたがる手法の優れた性能を示す実験結果が豊富である。

関連論文リスト

• WTDUN: Wavelet Tree-Structured Sampling and Deep Unfolding Network for Image Compressed Sensing [51.94493817128006]
  マルチスケールウェーブレットサブバンド上で直接動作するWTDUNという新しいウェーブレットドメインの深層展開フレームワークを提案する。 本手法は,ウェーブレット係数の固有間隔とマルチスケール構造を利用して,木構造によるサンプリングと再構成を実現する。
  論文  参考訳（メタデータ） (2024-11-25T12:31:03Z)
• Point Cloud Pre-training with Diffusion Models [62.12279263217138]
  我々は、ポイントクラウド拡散事前学習(PointDif)と呼ばれる新しい事前学習手法を提案する。 PointDifは、分類、セグメンテーション、検出など、さまざまな下流タスクのために、さまざまな現実世界のデータセット間で大幅に改善されている。
  論文  参考訳（メタデータ） (2023-11-25T08:10:05Z)
• Attention-based Point Cloud Edge Sampling [0.0]
  ポイントクラウドサンプリングは、このデータ表現に関して、あまり調査されていない研究トピックである。 本稿では,非生成的注意に基づくポイントクラウドエッジサンプリング法(APES)を提案する。 定性的および定量的な実験結果から, 一般的なベンチマークタスクにおいて, サンプリング手法の優れた性能を示す。
  論文  参考訳（メタデータ） (2023-02-28T15:36:17Z)
• BIMS-PU: Bi-Directional and Multi-Scale Point Cloud Upsampling [60.257912103351394]
  我々はBIMS-PUと呼ばれる新しいポイント・クラウド・アップサンプリング・パイプラインを開発した。 対象のサンプリング因子を小さな因子に分解することにより,アップ/ダウンサンプリング手順をいくつかのアップ/ダウンサンプリングサブステップに分解する。 提案手法は最先端手法よりも優れた結果が得られることを示す。
  論文  参考訳（メタデータ） (2022-06-25T13:13:37Z)
• Deep Point Cloud Simplification for High-quality Surface Reconstruction [24.29310178063052]
  PCS-Netは、幾何学的忠実さを維持しつつ、高品質な表面メッシュ再構築に特化している。 そこで本研究では,サンプル点の位置を改良する新しい2次元再サンプリングモジュールを提案する。 重要な形状特徴をさらに維持するため、新規な塩分損失を有する適応サンプリング戦略を設計する。
  論文  参考訳（メタデータ） (2022-03-17T05:22:25Z)
• PUFA-GAN: A Frequency-Aware Generative Adversarial Network for 3D Point Cloud Upsampling [56.463507980857216]
  本稿では,点群アップサンプリングのための生成的対向ネットワークを提案する。 基底表面に均等に分布するアップサンプリングポイントを作成できるだけでなく、クリーンな高周波領域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） (2022-03-02T07:47:46Z)
• SRPCN: Structure Retrieval based Point Completion Network [9.456072124396231]
  構造検索に基づくポイントコンプリートネットワーク(SRPCN)を提案する。 最初はk平均クラスタリングを使用して構造点を抽出し、それを分布に分散し、その後、完全な構造点雲を見つけるための計量としてKLディバージェンス(英語版)が用いられる。 実験により,本手法はより正確な結果が得られ,より強力な一般化能力を有することが示された。
  論文  参考訳（メタデータ） (2022-02-06T01:20:50Z)
• SPU-Net: Self-Supervised Point Cloud Upsampling by Coarse-to-Fine Reconstruction with Self-Projection Optimization [52.20602782690776]
  実際のスキャンされたスパースデータからトレーニング用の大規模なペアリングスパーススキャンポイントセットを得るのは高価で面倒です。 本研究では,SPU-Net と呼ばれる自己監視型点群アップサンプリングネットワークを提案する。 本研究では,合成データと実データの両方について様々な実験を行い,最先端の教師付き手法と同等の性能が得られることを示す。
  論文  参考訳（メタデータ） (2020-12-08T14:14:09Z)
• Learning Occupancy Function from Point Clouds for Surface Reconstruction [6.85316573653194]
  表面から採取した点雲から3次元形状を復元するために, 入射関数に基づく表面再構成が長い間研究されてきた。 本稿では,スパース点雲から占有関数を学習する新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-10-22T02:07:29Z)

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。