論文の概要: 3DMambaComplete: Exploring Structured State Space Model for Point Cloud Completion

• arxiv url: http://arxiv.org/abs/2404.07106v1
• Date: Wed, 10 Apr 2024 15:45:03 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-11 13:51:53.776890
• Title: 3DMambaComplete: Exploring Structured State Space Model for Point Cloud Completion
• Title（参考訳）: 3DMambaComplete: Point Cloud Completionのための構造化状態空間モデル
• Authors: Yixuan Li, Weidong Yang, Ben Fei,
• Abstract要約: 3DMambaCompleteは、新しいMambaフレームワーク上に構築されたポイントクラウド補完ネットワークである。 Mambaの選択メカニズムを使ってポイントクラウド機能をエンコードし、ハイパーポイントのセットを予測する。 変形法はハイパーポイントの2次元メッシュ表現を点雲再構成のための微細な3次元構造に変換する。
• 参考スコア（独自算出の注目度）: 19.60626235337542
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Point cloud completion aims to generate a complete and high-fidelity point cloud from an initially incomplete and low-quality input. A prevalent strategy involves leveraging Transformer-based models to encode global features and facilitate the reconstruction process. However, the adoption of pooling operations to obtain global feature representations often results in the loss of local details within the point cloud. Moreover, the attention mechanism inherent in Transformers introduces additional computational complexity, rendering it challenging to handle long sequences effectively. To address these issues, we propose 3DMambaComplete, a point cloud completion network built on the novel Mamba framework. It comprises three modules: HyperPoint Generation encodes point cloud features using Mamba's selection mechanism and predicts a set of Hyperpoints. A specific offset is estimated, and the down-sampled points become HyperPoints. The HyperPoint Spread module disperses these HyperPoints across different spatial locations to avoid concentration. Finally, a deformation method transforms the 2D mesh representation of HyperPoints into a fine-grained 3D structure for point cloud reconstruction. Extensive experiments conducted on various established benchmarks demonstrate that 3DMambaComplete surpasses state-of-the-art point cloud completion methods, as confirmed by qualitative and quantitative analyses.
• Abstract（参考訳）: ポイントクラウド補完は、初期不完全で低品質な入力から完全かつ高忠実なポイントクラウドを生成することを目的としている。 一般的な戦略は、Transformerベースのモデルを活用して、グローバルな機能をエンコードし、再構築プロセスを容易にすることである。 しかし、グローバルな特徴表現を得るためにプール操作を採用すると、ポイントクラウド内のローカル詳細が失われることが多い。 さらに、Transformers固有のアテンションメカニズムは、計算の複雑さを増し、長いシーケンスを効果的に扱うことが困難になる。 これらの問題に対処するために,新しいMambaフレームワーク上に構築されたポイントクラウドコンプリートネットワークである3DMambaCompleteを提案する。 HyperPoint Generationは、Mambaの選択メカニズムを使ってポイントクラウド機能をエンコードし、Hyperpointのセットを予測する。 特定のオフセットが推定され、ダウンサンプリングされたポイントがHyperPointsとなる。 HyperPoint Spreadモジュールは、これらのHyperPointを異なる空間的場所にわたって分散させ、集中を避ける。 最後に、変形法は、ハイパーポイントの2次元メッシュ表現を、点雲再構成のための微細な3次元構造に変換する。 定性的および定量的解析により,3DMambaCompleteが最先端のクラウド完了法を超えることが確認された。

関連論文リスト

• Point Cloud Mamba: Point Cloud Learning via State Space Model [73.7454734756626]
  我々は,マンバをベースとしたポイントクラウド法が,トランスフォーマや多層パーセプトロン(MLP)に基づく従来手法よりも優れていることを示す。 特に,マルチ層パーセプトロン(MLP)を用いて,マンバをベースとした点雲法が従来手法より優れていることを示す。 Point Cloud Mambaは、最先端(SOTA)のポイントベースメソッドであるPointNeXtを超え、ScanNN、ModelNet40、ShapeNetPart、S3DISデータセット上での新たなSOTAパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-03-01T18:59:03Z)
• SeedFormer: Patch Seeds based Point Cloud Completion with Upsample Transformer [46.800630776714016]
  本稿では,ポイントクラウド完了時の細部保存と回復の能力を向上させるための新しいSeedFormerを提案する。 我々は、部分的な入力から一般的な構造をキャプチャするだけでなく、局所的なパターンの地域情報も保存する新しい形状表現、すなわち、パッチシードを導入する。 提案手法は,複数のベンチマークデータセット上で,最先端のコンプリートネットワークの性能を向上する。
  論文  参考訳（メタデータ） (2022-07-21T06:15:59Z)
• PMP-Net++: Point Cloud Completion by Transformer-Enhanced Multi-step Point Moving Paths [60.32185890237936]
  我々は、地球移動体の動作を模倣する新しいニューラルネットワーク、PMP-Net++を設計する。 不完全入力の各点を移動させ、点移動経路(PMP)の総距離が最短となる完全点雲を得る。 ネットワークは点レベルの厳密でユニークな対応を学習し、予測された完全形状の品質を向上させる。
  論文  参考訳（メタデータ） (2022-02-19T03:00:40Z)
• A Conditional Point Diffusion-Refinement Paradigm for 3D Point Cloud Completion [69.32451612060214]
  実スキャンされた3Dポイントクラウドはしばしば不完全であり、下流アプリケーションのために完全なポイントクラウドを復元することが重要である。 ほとんどの既存のポイントクラウド補完方法は、トレーニングにチャンファー距離(CD)損失を使用する。 本稿では,点雲完了のためのPDR(Point Diffusion-Refinement)パラダイムを提案する。
  論文  参考訳（メタデータ） (2021-12-07T06:59:06Z)
• Deep Point Cloud Reconstruction [74.694733918351]
  3Dスキャンから得られる点雲は、しばしばスパース、ノイズ、不規則である。 これらの問題に対処するため、最近の研究は別々に行われ、不正確な点雲を密度化、復調し、完全な不正確な点雲を観測している。 本研究では,1) 初期密度化とデノナイズのための3次元スパース集積時間ガラスネットワーク,2) 離散ボクセルを3Dポイントに変換するトランスフォーマーによる改良,の2段階からなる深部点雲再構成ネットワークを提案する。
  論文  参考訳（メタデータ） (2021-11-23T07:53:28Z)
• PoinTr: Diverse Point Cloud Completion with Geometry-Aware Transformers [81.71904691925428]
  本稿では,ポイントクラウドの完了をセット・ツー・セットの翻訳問題として再定義する手法を提案する。 我々はまた、ポイントクラウド補完のためにトランスフォーマーエンコーダデコーダアーキテクチャを採用するPoinTrと呼ばれる新しいモデルも設計している。 提案手法は,新しいベンチマークと既存ベンチマークの両方において,最先端の手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2021-08-19T17:58:56Z)
• PMP-Net: Point Cloud Completion by Learning Multi-step Point Moving Paths [54.459879603473034]
  我々はPMP-Netと呼ばれる新しいニューラルネットワークを設計し、地球移動体の動作を模倣する。 不完全な入力の各点を移動させ、ポイントクラウドを完結させ、ポイント移動パスの合計距離が最も短くなる。 点レベルの厳密でユニークな対応を学習し、不完全な形状と完全なターゲットの間の詳細なトポロジーと構造的関係を捉えることができる。
  論文  参考訳（メタデータ） (2020-12-07T01:34:38Z)

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。