論文の概要: Terrain Point Cloud Inpainting via Signal Decomposition
- arxiv url: http://arxiv.org/abs/2404.03572v1
- Date: Thu, 4 Apr 2024 16:37:42 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-05 14:12:26.333503
- Title: Terrain Point Cloud Inpainting via Signal Decomposition
- Title(参考訳): 信号分解による地形点雲の塗布
- Authors: Yizhou Xie, Xiangning Xie, Yuran Wang, Yanci Zhang, Zejun Lv,
- Abstract要約: 塗装アルゴリズムは点雲に穴をあけるのに広く使われている。
本研究では,大域的スムーズさとリッチな局所的詳細に基づく地形点雲の表現を提案する。
この2つの問題を解くことで、地形点雲の非常に複雑で不規則な穴を十分に埋めることができる。
- 参考スコア(独自算出の注目度): 3.3343542627506038
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The rapid development of 3D acquisition technology has made it possible to obtain point clouds of real-world terrains. However, due to limitations in sensor acquisition technology or specific requirements, point clouds often contain defects such as holes with missing data. Inpainting algorithms are widely used to patch these holes. However, existing traditional inpainting algorithms rely on precise hole boundaries, which limits their ability to handle cases where the boundaries are not well-defined. On the other hand, learning-based completion methods often prioritize reconstructing the entire point cloud instead of solely focusing on hole filling. Based on the fact that real-world terrain exhibits both global smoothness and rich local detail, we propose a novel representation for terrain point clouds. This representation can help to repair the holes without clear boundaries. Specifically, it decomposes terrains into low-frequency and high-frequency components, which are represented by B-spline surfaces and relative height maps respectively. In this way, the terrain point cloud inpainting problem is transformed into a B-spline surface fitting and 2D image inpainting problem. By solving the two problems, the highly complex and irregular holes on the terrain point clouds can be well-filled, which not only satisfies the global terrain undulation but also exhibits rich geometric details. The experimental results also demonstrate the effectiveness of our method.
- Abstract(参考訳): 3D取得技術の急速な発展により、現実世界の地形の点雲の取得が可能になった。
しかし、センサー取得技術や特定の要件に制限があるため、ポイントクラウドには、欠落したデータの穴のような欠陥がしばしば含まれている。
塗装アルゴリズムはこれらの穴にパッチを当てるために広く使われている。
しかし、既存の塗装アルゴリズムは正確な穴の境界に依存しており、境界が明確に定義されていないケースを扱う能力を制限する。
一方、学習ベースの補完手法では、穴埋めのみに焦点をあてるのではなく、ポイントクラウド全体の再構築を優先することが多い。
実世界の地形がグローバルな滑らかさとリッチな局部的詳細の両方を示すという事実に基づいて,地形点雲の表現を新たに提案する。
この表現は、明確な境界なしに穴を修復するのに役立ちます。
具体的には、地形を低周波成分と高周波成分に分解し、それぞれB-スプライン面と相対高さマップで表される。
このように、地形点雲の塗布問題は、Bスプライン表面の嵌合と2次元画像の塗布問題に変換される。
この2つの問題を解くことで、地形点の雲の非常に複雑で不規則な穴を十分に埋めることができ、地球上の地形の起伏を満足するだけでなく、リッチな幾何学的詳細も示せる。
また,本手法の有効性を実験的に検証した。
関連論文リスト
- TRIPS: Trilinear Point Splatting for Real-Time Radiance Field Rendering [6.142272540492937]
本稿では,ガウス版とADOP版の両方のアイデアを組み合わせたTRIPS(Trilinear Splatting)を提案する。
評価の結果,TRIPS はレンダリング品質の点で既存の最先端手法を超越していることがわかった。
このパフォーマンスは、複雑な幾何学、広大な風景、自動露光映像など、困難なシナリオにまで拡張されている。
論文 参考訳(メタデータ) (2024-01-11T16:06:36Z) - PointNeRF++: A multi-scale, point-based Neural Radiance Field [31.23973383531481]
ポイントクラウドは、ニューラルシーン表現のイメージを補完する魅力的な情報ソースを提供する。
点雲の品質が低い場合、点雲に基づくNeRFレンダリング手法はうまく動作しない。
本稿では,複数のスケールの点雲を,異なる解像度でスパース・ボクセル・グリッドで集約する表現を提案する。
我々は,NeRF Synthetic, ScanNet, KITTI-360 のデータセットを用いて提案手法の有効性を検証する。
論文 参考訳(メタデータ) (2023-12-04T21:43:00Z) - VET: Visual Error Tomography for Point Cloud Completion and High-Quality
Neural Rendering [4.542331789204584]
本稿では,新しいビュー合成における欠陥の検出と修正のためのニューラルレンダリングに基づく新しいアプローチを提案する。
提案手法は, 動きから得られる点雲の品質を向上させることができることを示す。
点成長技術とは対照的に、この手法は大規模な穴を効果的に修復し、薄い構造を欠くことができる。
論文 参考訳(メタデータ) (2023-11-08T12:23:57Z) - Quadric Representations for LiDAR Odometry, Mapping and Localization [93.24140840537912]
現在のLiDARオードメトリ、マッピング、ローカライズ手法は、3Dシーンのポイントワイズ表現を利用する。
3次元オブジェクトのよりコンパクトな表現である2次元曲面を用いたシーン記述法を提案する。
提案手法は低レイテンシとメモリの有効性を維持しつつ、競争力があり、しかも精度も優れている。
論文 参考訳(メタデータ) (2023-04-27T13:52:01Z) - 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) - PointAttN: You Only Need Attention for Point Cloud Completion [89.88766317412052]
ポイント・クラウド・コンプリート(Point cloud completion)とは、部分的な3次元ポイント・クラウドから3次元の形状を完成させることである。
そこで我々は,kNNを除去するために,ポイントクラウドをポイント単位に処理する新しいニューラルネットワークを提案する。
提案するフレームワークであるPointAttNはシンプルで簡潔で効果的であり、3次元形状の構造情報を正確に捉えることができる。
論文 参考訳(メタデータ) (2022-03-16T09:20:01Z) - ME-PCN: Point Completion Conditioned on Mask Emptiness [50.414383063838336]
メインストリーム法は入力点クラウドから学んだグローバルな特徴を復号することで、欠落した形状を予測する。
本稿では,3次元形状空間における空度を利用した点完備ネットワークME-PCNを提案する。
論文 参考訳(メタデータ) (2021-08-18T15:02:27Z) - Z2P: Instant Rendering of Point Clouds [104.1186026323896]
ニューラルネットワークを用いて点雲をレンダリングする手法を提案する。
既存のポイントレンダリング技術は、スプレイティングを使用するか、最初にレンダリング可能な表面メッシュを再構築する。
論文 参考訳(メタデータ) (2021-05-30T13:58:24Z) - ParaNet: Deep Regular Representation for 3D Point Clouds [62.81379889095186]
ParaNetは、3Dポイントクラウドを表現するための新しいエンドツーエンドのディープラーニングフレームワークである。
不規則な3D点雲を通常の2Dカラー画像に変換する。
多視点投影とボキセル化に基づく従来の正規表現法とは異なり、提案した表現は微分可能で可逆である。
論文 参考訳(メタデータ) (2020-12-05T13:19:55Z)
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。