論文の概要: Arbitrary-Scale Point Cloud Upsampling by Voxel-Based Network with
Latent Geometric-Consistent Learning
- arxiv url: http://arxiv.org/abs/2403.05117v1
- Date: Fri, 8 Mar 2024 07:31:14 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-11 20:35:15.234259
- Title: Arbitrary-Scale Point Cloud Upsampling by Voxel-Based Network with
Latent Geometric-Consistent Learning
- Title（参考訳）: 潜在幾何整合学習を用いたvoxelベースネットワークによる任意スケールポイントクラウドアップサンプリング
- Authors: Hang Du, Xuejun Yan, Jingjing Wang, Di Xie, Shiliang Pu
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 52.825441454264585
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recently, arbitrary-scale point cloud upsampling mechanism became
increasingly popular due to its efficiency and convenience for practical
applications. To achieve this, most previous approaches formulate it as a
problem of surface approximation and employ point-based networks to learn
surface representations. However, learning surfaces from sparse point clouds is
more challenging, and thus they often suffer from the low-fidelity geometry
approximation. To address it, we propose an arbitrary-scale Point cloud
Upsampling framework using Voxel-based Network (\textbf{PU-VoxelNet}). Thanks
to the completeness and regularity inherited from the voxel representation,
voxel-based networks are capable of providing predefined grid space to
approximate 3D surface, and an arbitrary number of points can be reconstructed
according to the predicted density distribution within each grid cell. However,
we investigate the inaccurate grid sampling caused by imprecise density
predictions. To address this issue, a density-guided grid resampling method is
developed to generate high-fidelity points while effectively avoiding sampling
outliers. Further, to improve the fine-grained details, we present an auxiliary
training supervision to enforce the latent geometric consistency among local
surface patches. Extensive experiments indicate the proposed approach
outperforms the state-of-the-art approaches not only in terms of fixed
upsampling rates but also for arbitrary-scale upsampling.
- Abstract（参考訳）: 近年,実用上の利便性と効率性から,任意のスケールのポイントクラウドアップサンプリング機構が普及している。
これを実現するため、従来の手法では表面近似の問題として定式化し、点ベースネットワークを用いて表面表現を学習している。
しかし、疎点雲から表面を学ぶことはより困難であり、したがってしばしば低忠実な幾何近似に苦しむ。
そこで我々は,voxelベースのネットワーク (\textbf{pu-voxelnet}) を用いた任意のスケールのポイント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。
ボクセル表現から受け継が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次元曲面に予め定義された格子空間を提供し、各格子セル内の予測密度分布に応じて任意の数の点を再構成することができる。
しかし,不正確な密度予測による不正確なグリッドサンプリングについて検討する。
この問題に対処するため,高忠実度点を生成するための密度誘導グリッド再サンプリング法を開発した。
さらに,細かな粒度を改善するために,局所表面パッチ間の潜在幾何一貫性を強制する補助訓練監督を行う。
広範囲な実験により、提案手法は、固定的なアップサンプリング率だけでなく、任意のスケールのアップサンプリングにおいても最先端のアプローチよりも優れていることが示された。
関連論文リスト
- iPUNet:Iterative Cross Field Guided Point Cloud Upsampling [20.925921503694894]
3Dスキャン装置によって取得される点雲は、しばしば疎く、ノイズが多く、一様ではないため、幾何学的特徴が失われる。
任意の比率で高密度および均一な点を生成する学習ベースポイントアップサンプリング手法iPUNetを提案する。
iPUNetは、ノイズや不均一に分散された入力を処理し、最先端のクラウドサンプリング手法より優れていることを示す。
論文 参考訳（メタデータ） (2023-10-13T13:24:37Z) - Parametric Surface Constrained Upsampler Network for Point Cloud [33.033469444588086]
バイコビック関数と回転関数で表されるパラメトリック曲面をニューラルネットワークに学習させ,新しいサーフェス正規化器をアップサンプラーネットワークに導入する。
これらの設計は、2つの異なるネットワークに統合され、レイヤのアップサンプリングの利点を生かしている。
両課題の最先端実験結果から,提案手法の有効性が示された。
論文 参考訳（メタデータ） (2023-03-14T21:12:54Z) - PU-EVA: An Edge Vector based Approximation Solution for Flexible-scale
Point Cloud Upsampling [4.418205951027186]
スパース、ノイズ、および一様でない点雲のアップサンプリングは難しい作業だ。
フレキシブルスケールの点群アップサンプリング(PU-EVA)のためのエッジベクトルに基づく近似の新しい設計法を提案する。
EVAアップサンプリングは、ネットワークアーキテクチャによるアップサンプリングスケールを分離し、1回のトレーニングでフレキシブルアップサンプリングレートを達成する。
論文 参考訳（メタデータ） (2022-04-22T15:14:05Z) - Self-Supervised Arbitrary-Scale Point Clouds Upsampling via Implicit
Neural Representation [79.60988242843437]
そこで本研究では,自己監督型および倍率フレキシブルな点雲を同時にアップサンプリングする手法を提案する。
実験結果から, 自己教師あり学習に基づく手法は, 教師あり学習に基づく手法よりも, 競争力や性能が向上することが示された。
論文 参考訳（メタデータ） (2022-04-18T07:18:25Z) - 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) - 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) - 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) - Deep Magnification-Flexible Upsampling over 3D Point Clouds [103.09504572409449]
本稿では,高密度点雲を生成するためのエンドツーエンド学習ベースのフレームワークを提案する。
まずこの問題を明示的に定式化し、重みと高次近似誤差を判定する。
そこで我々は,高次改良とともに,統一重みとソート重みを適応的に学習する軽量ニューラルネットワークを設計する。
論文 参考訳（メタデータ） (2020-11-25T14:00:18Z) - CAD-PU: A Curvature-Adaptive Deep Learning Solution for Point Set
Upsampling [33.61863896931608]
ポイントセット・アップサンプリングは、密度と規則性を高めることを目的としている。
入力点と出力点の曲面近似誤差境界をペアにすることで、目的に重要な因子を同定する。
本稿では、曲率適応型特徴拡張モジュールであるCAD-PU(Curvature-adaptive Point set Upsampling Network)の設計を提案する。
論文 参考訳（メタデータ） (2020-09-10T04:03:19Z)
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。