論文の概要: Unsupervised Occupancy Learning from Sparse Point Cloud
- arxiv url: http://arxiv.org/abs/2404.02759v1
- Date: Wed, 3 Apr 2024 14:05:39 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-04 17:11:28.106397
- Title: Unsupervised Occupancy Learning from Sparse Point Cloud
- Title(参考訳): スパースポイントクラウドからの教師なし職業学習
- Authors: Amine Ouasfi, Adnane Boukhayma,
- Abstract要約: Inlicit Neural Representationsは、複雑なデータモダリティをキャプチャする強力なフレームワークとして注目されている。
本稿では,ニューラルサイン付き距離関数の代わりに占有領域を推定する手法を提案する。
ベースラインに対する暗黙の形状推論を改善する能力と、合成データと実データを用いた最先端技術について強調する。
- 参考スコア(独自算出の注目度): 8.732260277121547
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Implicit Neural Representations have gained prominence as a powerful framework for capturing complex data modalities, encompassing a wide range from 3D shapes to images and audio. Within the realm of 3D shape representation, Neural Signed Distance Functions (SDF) have demonstrated remarkable potential in faithfully encoding intricate shape geometry. However, learning SDFs from 3D point clouds in the absence of ground truth supervision remains a very challenging task. In this paper, we propose a method to infer occupancy fields instead of SDFs as they are easier to learn from sparse inputs. We leverage a margin-based uncertainty measure to differentially sample from the decision boundary of the occupancy function and supervise the sampled boundary points using the input point cloud. We further stabilize the optimization process at the early stages of the training by biasing the occupancy function towards minimal entropy fields while maximizing its entropy at the input point cloud. Through extensive experiments and evaluations, we illustrate the efficacy of our proposed method, highlighting its capacity to improve implicit shape inference with respect to baselines and the state-of-the-art using synthetic and real data.
- Abstract(参考訳): Inlicit Neural Representationsは、複雑なデータモダリティをキャプチャする強力なフレームワークとして有名になり、3D形状から画像やオーディオまで幅広い範囲に及んでいる。
3次元形状表現の領域内では、ニューラルネットワーク符号距離関数(SDF)は複雑な形状幾何を忠実に符号化する顕著な可能性を示している。
しかし、3Dポイントの雲からSDFを学習することは、根底的な真実の監督がなければ、非常に難しい課題である。
本稿では,スパース入力から学習しやすいため,SDFの代わりに占有場を推定する手法を提案する。
差分に基づく不確実性尺度を用いて、占有関数の決定境界から差分サンプリングを行い、入力点雲を用いてサンプル境界点を監督する。
さらに,入力点雲におけるエントロピーを最大化しながら,占有関数を最小のエントロピー場に向けてバイアスすることで,トレーニングの初期段階における最適化プロセスを安定化する。
提案手法の有効性を概説し,ベースラインに対する暗黙的形状推論の改善と,合成データと実データを用いた最先端技術について述べる。
関連論文リスト
- PointDifformer: Robust Point Cloud Registration With Neural Diffusion and Transformer [31.02661827570958]
ポイントクラウド登録は、3Dコンピュータビジョンにおける基本的な技術であり、グラフィック、自律運転、ロボット工学の応用がある。
本稿では,グラフニューラル偏微分方程式(PDE)と熱カーネルシグネチャを利用するロバストポイントクラウド登録手法を提案する。
3Dポイントクラウドデータセットの実証実験により、我々のアプローチは、ポイントクラウド登録のための最先端のパフォーマンスを達成するだけでなく、付加的なノイズや3D形状の摂動に対してより堅牢性を示すことを示した。
論文 参考訳(メタデータ) (2024-04-22T09:50:12Z) - Towards Better Gradient Consistency for Neural Signed Distance Functions
via Level Set Alignment [50.892158511845466]
レベルセットの並列性によって示される場の勾配一貫性が、推論精度に影響を及ぼす重要な要因であることを示す。
そこで本研究では,次数集合の並列性を評価するためのレベルセットアライメント損失を提案する。
論文 参考訳(メタデータ) (2023-05-19T11:28:05Z) - Unsupervised Inference of Signed Distance Functions from Single Sparse
Point Clouds without Learning Priors [54.966603013209685]
3次元点雲から符号付き距離関数(SDF)を推測することは不可欠である。
単一スパース点雲から直接SDFを推定するニューラルネットワークを提案する。
論文 参考訳(メタデータ) (2023-03-25T15:56:50Z) - GeoUDF: Surface Reconstruction from 3D Point Clouds via Geometry-guided
Distance Representation [73.77505964222632]
スパース点雲から離散曲面を再構成する問題に対処する学習ベース手法であるGeoUDFを提案する。
具体的には、UDFのための幾何誘導学習法とその勾配推定を提案する。
予測されたUDFから三角形メッシュを抽出するために,カスタマイズされたエッジベースマーチングキューブモジュールを提案する。
論文 参考訳(メタデータ) (2022-11-30T06:02:01Z) - Neural Poisson: Indicator Functions for Neural Fields [25.41908065938424]
3次元形状の符号付き距離場表現(SDF)は顕著な進展を示した。
本稿では,3次元シーンのニューラルフィールド表現のための新しいパラダイムを提案する。
提案手法は, 合成3次元シーンデータと実写3次元シーンデータの両方に対して, 最先端の再構築性能を示す。
論文 参考訳(メタデータ) (2022-11-25T17:28:22Z) - OReX: Object Reconstruction from Planar Cross-sections Using Neural
Fields [10.862993171454685]
OReXはスライス単独で3次元形状を復元する手法であり、前者がニューラルネットワーク勾配である。
適度なニューラルネットワークは入力平面上でトレーニングされ、与えられた3D座標の内外推定を返却し、滑らかさと自己相似性を誘導する強力な先行を与える。
我々は、粗大な訓練を奨励する反復的な推定アーキテクチャと階層的な入力サンプリングスキームを提供し、訓練プロセスは後段の高周波に集中できるようにする。
論文 参考訳(メタデータ) (2022-11-23T11:44:35Z) - Learning Consistency-Aware Unsigned Distance Functions Progressively
from Raw Point Clouds [52.28066811858009]
点雲の表面再構成は3次元コンピュータビジョンにおいて重要な課題である。
最新の手法のほとんどは、点雲から符号付き距離関数を学習することでこの問題を解決する。
そこで本研究では, 原点雲から直接, 整合性を考慮した符号付き距離関数を学習する手法を提案する。
論文 参考訳(メタデータ) (2022-10-06T08:51:08Z) - 3PSDF: Three-Pole Signed Distance Function for Learning Surfaces with
Arbitrary Topologies [18.609959464825636]
3極符号距離関数(3PSDF)と呼ばれる新しい学習可能な暗黙表現を提案する。
簡単なフィールド・ツー・メッシュ変換をサポートしながら、任意のトポロジーで非水密な3D形状を表現できる。
ヌルラベルによる消失勾配を気にせずに3PSDFを効果的に学習するための学習フレームワークを提案する。
論文 参考訳(メタデータ) (2022-05-31T07:24:04Z) - iSDF: Real-Time Neural Signed Distance Fields for Robot Perception [64.80458128766254]
iSDFは実時間符号付き距離場再構成のための連続学習システムである。
より正確な再構築と、衝突コストと勾配のより良い近似を生成する。
論文 参考訳(メタデータ) (2022-04-05T15:48:39Z) - Pseudo-LiDAR Point Cloud Interpolation Based on 3D Motion Representation
and Spatial Supervision [68.35777836993212]
我々はPseudo-LiDAR点雲ネットワークを提案し、時間的および空間的に高品質な点雲列を生成する。
点雲間のシーンフローを活用することにより,提案ネットワークは3次元空間運動関係のより正確な表現を学習することができる。
論文 参考訳(メタデータ) (2020-06-20T03:11:04Z)
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。