論文の概要: ParaPoint: Learning Global Free-Boundary Surface Parameterization of 3D Point Clouds
- arxiv url: http://arxiv.org/abs/2403.10349v1
- Date: Fri, 15 Mar 2024 14:35:05 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-18 16:51:41.543304
- Title: ParaPoint: Learning Global Free-Boundary Surface Parameterization of 3D Point Clouds
- Title(参考訳): ParaPoint: 3次元点雲のグローバルな自由境界面パラメータ化学習
- Authors: Qijian Zhang, Junhui Hou, Ying He,
- Abstract要約: ParaPointは、グローバルな自由境界面パラメータ化を実現するための教師なしのニューラルネットワークパイプラインである。
この研究は、グローバルマッピングと自由境界の両方を追求するニューラルポイントクラウドパラメータ化を調査する最初の試みである。
- 参考スコア(独自算出の注目度): 52.03819676074455
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Surface parameterization is a fundamental geometry processing problem with rich downstream applications. Traditional approaches are designed to operate on well-behaved mesh models with high-quality triangulations that are laboriously produced by specialized 3D modelers, and thus unable to meet the processing demand for the current explosion of ordinary 3D data. In this paper, we seek to perform UV unwrapping on unstructured 3D point clouds. Technically, we propose ParaPoint, an unsupervised neural learning pipeline for achieving global free-boundary surface parameterization by building point-wise mappings between given 3D points and 2D UV coordinates with adaptively deformed boundaries. We ingeniously construct several geometrically meaningful sub-networks with specific functionalities, and assemble them into a bi-directional cycle mapping framework. We also design effective loss functions and auxiliary differential geometric constraints for the optimization of the neural mapping process. To the best of our knowledge, this work makes the first attempt to investigate neural point cloud parameterization that pursues both global mappings and free boundaries. Experiments demonstrate the effectiveness and inspiring potential of our proposed learning paradigm. The code will be publicly available.
- Abstract(参考訳): 表面パラメータ化は、下流のリッチアプリケーションにおける基本的な幾何学的処理問題である。
従来のアプローチは、特殊な3Dモデラーによって熱心に生産される高品質な三角測量を備えた、洗練されたメッシュモデルで運用するために設計されており、通常の3Dデータの現在の爆発に対する処理要求を満たすことができない。
本稿では,非構造3次元点雲上でUVアンラッピングを行う。
技術的には、与えられた3D点と適応的に変形した境界を持つ2次元UV座標間のポイントワイズマッピングを構築することにより、グローバルな自由境界面パラメータ化を実現するための教師なしニューラルネットワークパイプラインであるParaPointを提案する。
特定の機能を持つ幾何的に意味のあるサブネットワークを創発的に構築し、それらを双方向のサイクルマッピングフレームワークに組み立てる。
また,ニューラルネットワークの最適化に有効な損失関数と近似微分幾何学的制約を設計する。
我々の知る限りでは、この研究は、グローバルマッピングと自由境界の両方を追求するニューラルポイントクラウドパラメータ化の研究の最初の試みである。
提案した学習パラダイムの有効性と可能性を示す実験を行った。
コードは公開されます。
関連論文リスト
- LISR: Learning Linear 3D Implicit Surface Representation Using Compactly
Supported Radial Basis Functions [5.056545768004376]
部分的かつノイズの多い3次元点雲スキャンから物体を3次元表面で再構成することは、古典的な幾何学処理と3次元コンピュータビジョンの問題である。
本稿では,物体の3次元表面の線形暗黙的形状表現を学習するためのニューラルネットワークアーキテクチャを提案する。
提案手法は,ベンチマークデータセットの最先端手法よりも,チャムファー距離と同等のFスコアを実現する。
論文 参考訳(メタデータ) (2024-02-11T20:42:49Z) - Parameter is Not All You Need: Starting from Non-Parametric Networks for
3D Point Cloud Analysis [51.0695452455959]
本稿では3Dポイントクラウド解析のための非パラメトリックネットワークであるPoint-NNについて述べる。
驚くべきことに、さまざまな3Dタスクでうまく機能し、パラメータやトレーニングを必要とせず、既存の完全に訓練されたモデルを超えています。
論文 参考訳(メタデータ) (2023-03-14T17:59:02Z) - 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) - GraphCSPN: Geometry-Aware Depth Completion via Dynamic GCNs [49.55919802779889]
本稿では,グラフ畳み込みに基づく空間伝搬ネットワーク(GraphCSPN)を提案する。
本研究では、幾何学的表現学習において、畳み込みニューラルネットワークとグラフニューラルネットワークを相補的に活用する。
提案手法は,数段の伝搬ステップのみを使用する場合と比較して,最先端の性能を実現する。
論文 参考訳(メタデータ) (2022-10-19T17:56:03Z) - Deep Learning Assisted Optimization for 3D Reconstruction from Single 2D
Line Drawings [13.532686360047574]
本稿では,3次元物体の幾何学的実体間の対関係を検出するために,ディープニューラルネットワークを訓練することを提案する。
CADモデルの大規模なデータセット実験により、幾何学的制約解決パイプラインにおけるディープラーニングを活用することにより、最適化に基づく3D再構成の成功率を大幅に改善できることが示されている。
論文 参考訳(メタデータ) (2022-09-06T17:59:11Z) - Cylindrical and Asymmetrical 3D Convolution Networks for LiDAR-based
Perception [122.53774221136193]
運転時のLiDARに基づく認識のための最先端の手法は、しばしば点雲を2D空間に投影し、2D畳み込みによって処理する。
自然な対策として、3Dボクセル化と3D畳み込みネットワークを利用する方法がある。
本研究では,3次元幾何学的パターンを探索するために,円筒状分割と非対称な3次元畳み込みネットワークを設計する,屋外LiDARセグメンテーションのための新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2021-09-12T06:25:11Z) - PUGeo-Net: A Geometry-centric Network for 3D Point Cloud Upsampling [103.09504572409449]
PUGeo-Netと呼ばれる新しいディープニューラルネットワークを用いた一様高密度点雲を生成する手法を提案する。
その幾何学中心の性質のおかげで、PUGeo-Netはシャープな特徴を持つCADモデルとリッチな幾何学的詳細を持つスキャンされたモデルの両方でうまく機能する。
論文 参考訳(メタデータ) (2020-02-24T14:13:29Z)
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。