論文の概要: T-CorresNet: Template Guided 3D Point Cloud Completion with Correspondence Pooling Query Generation Strategy
- arxiv url: http://arxiv.org/abs/2407.05008v1
- Date: Sat, 6 Jul 2024 09:00:44 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-09 21:28:00.699239
- Title: T-CorresNet: Template Guided 3D Point Cloud Completion with Correspondence Pooling Query Generation Strategy
- Title(参考訳): T-CorresNet: 対応ポーリングクエリ生成戦略を備えたテンプレートガイド付き3Dポイントクラウドコンプリート
- Authors: Fan Duan, Jiahao Yu, Li Chen,
- Abstract要約: ポイントクラウドは、自律運転や製造業など、様々な実用用途で一般的に使用されている。
本稿では,球面テンプレートを用いた点雲補完手法を提案する。
実験の結果、T-CorresNetはいくつかのベンチマークで最先端の手法よりも優れていた。
- 参考スコア(独自算出の注目度): 9.485841866963108
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Point clouds are commonly used in various practical applications such as autonomous driving and the manufacturing industry. However, these point clouds often suffer from incompleteness due to limited perspectives, scanner resolution and occlusion. Therefore the prediction of missing parts performs a crucial task. In this paper, we propose a novel method for point cloud completion. We utilize a spherical template to guide the generation of the coarse complete template and generate the dynamic query tokens through a correspondence pooling (Corres-Pooling) query generator. Specifically, we first generate the coarse complete template by embedding a Gaussian spherical template into the partial input and transforming the template to best match the input. Then we use the Corres-Pooling query generator to refine the coarse template and generate dynamic query tokens which could be used to predict the complete point proxies. Finally, we generate the complete point cloud with a FoldingNet following the coarse-to-fine paradigm, according to the fine template and the predicted point proxies. Experimental results demonstrate that our T-CorresNet outperforms the state-of-the-art methods on several benchmarks. Our Codes are available at https://github.com/df-boy/T-CorresNet.
- Abstract(参考訳): ポイントクラウドは、自律運転や製造業など、様々な実用用途で一般的に使用されている。
しかしながら、これらの点雲は、限られた視点、スキャナの解像度、閉塞によって不完全性に悩まされることが多い。
したがって、欠落箇所の予測は重要な課題である。
本稿では,ポイントクラウド補完のための新しい手法を提案する。
球面テンプレートを用いて、粗い完全テンプレートの生成をガイドし、対応プール(Corres-Pooling)クエリジェネレータを介して動的クエリトークンを生成する。
具体的には、まずガウス球面テンプレートを部分入力に埋め込み、テンプレートを変換して入力に最もよく適合させることにより、粗い完全テンプレートを生成する。
次に、Corres-Poolingクエリジェネレータを使用して、粗いテンプレートを洗練し、完全なポイントプロキシを予測するために使用できる動的クエリトークンを生成する。
最後に、ファインテンプレートと予測点プロキシに基づいて、粗い粒度パラダイムに従ってFoldingNetで全点クラウドを生成する。
実験の結果、T-CorresNetはいくつかのベンチマークで最先端の手法よりも優れていた。
私たちのコードはhttps://github.com/df-boy/T-CorresNetで利用可能です。
関連論文リスト
- Variational Relational Point Completion Network for Robust 3D
Classification [59.80993960827833]
可変点雲補完法は、局所的な詳細を欠くため、大域的な形状の骨格を生成する傾向がある。
本稿では2つの魅力的な特性を持つ変分フレームワークであるポイントコンプリートネットワーク(VRCNet)を提案する。
VRCNetは、現実世界のポイントクラウドスキャンにおいて、非常に一般化性と堅牢性を示している。
論文 参考訳(メタデータ) (2023-04-18T17:03:20Z) - AdaPoinTr: Diverse Point Cloud Completion with Adaptive Geometry-Aware
Transformers [94.11915008006483]
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、ポイントクラウド補完のためにTransformerエンコーダデコーダアーキテクチャを採用したPoinTrと呼ばれる新しいモデルを設計する。
本手法は,PCNで6.53 CD,ShapeNet-55で0.81 CD,現実世界のKITTIで0.392 MMDを実現する。
論文 参考訳(メタデータ) (2023-01-11T16:14:12Z) - SoftPool++: An Encoder-Decoder Network for Point Cloud Completion [93.54286830844134]
本稿では,ポイントクラウド完了作業のための新しい畳み込み演算子を提案する。
提案した演算子は、最大プールやボキセル化操作を一切必要としない。
提案手法は,低解像度・高解像度の形状仕上げにおける最先端性能を実現する。
論文 参考訳(メタデータ) (2022-05-08T15:31:36Z) - REGTR: End-to-end Point Cloud Correspondences with Transformers [79.52112840465558]
我々は、注意機構が明示的な特徴マッチングとRANSACの役割を置き換えることができると推測する。
本稿では,最終文集合を直接予測するエンドツーエンドフレームワークを提案する。
提案手法は3DMatchおよびModelNetベンチマークにおける最先端性能を実現する。
論文 参考訳(メタデータ) (2022-03-28T06:01:00Z) - Geometric Transformer for Fast and Robust Point Cloud Registration [53.10568889775553]
点雲登録のための正確な対応を抽出する問題について検討する。
最近のキーポイントフリー手法は、低オーバーラップシナリオでは難しい繰り返し可能なキーポイントの検出を回避している。
本稿では,ロバストなスーパーポイントマッチングのための幾何学的特徴を学習するための幾何学変換器を提案する。
論文 参考訳(メタデータ) (2022-02-14T13:26:09Z) - OctAttention: Octree-based Large-scale Contexts Model for Point Cloud
Compression [36.77271904751208]
OctAttentionは、点雲のメモリ効率のよい表現であるoctree構造を用いる。
我々の手法は、ボクセルベースラインと比較して95%のコーディング時間を節約する。
従来の最先端技術と比較すると,LiDARベンチマークでは10%-35%のBD-Rateゲインが得られる。
論文 参考訳(メタデータ) (2022-02-12T10:06:12Z) - Robust Partial-to-Partial Point Cloud Registration in a Full Range [12.86951061306046]
本稿では,全方向1の部分対部分点クラウド登録(PPR)のためのポーズ不変対応を推定するグラフマッチング・コンセンサス・ネットワーク(GMCNet)を提案する。
GMCNetは、個別に各点クラウドのポイント記述子を、クロスコンテクスト情報や、トレーニングのための接地真理対応を使わずに符号化する。
論文 参考訳(メタデータ) (2021-11-30T17:56:24Z) - Point Cloud Registration using Representative Overlapping Points [10.843159482657303]
本稿では,登録のための識別機能を備えた代表オーバーラップポイントを用いた新しいディープラーニングモデル ROPNetを提案する。
具体的には,エンコーダを用いてポイントオーバーラップスコアの予測にグローバルな特徴を抽出するコンテキスト誘導モジュールを提案する。
ノイズと部分重なり合う点雲を用いたModelNet40上での実験により,提案手法が従来の学習手法よりも優れていることが示された。
論文 参考訳(メタデータ) (2021-07-06T12:52:22Z) - Refinement of Predicted Missing Parts Enhance Point Cloud Completion [62.997667081978825]
点雲完了は、部分的な観測から3次元形状の点集合表現を用いて完全な幾何学を予測するタスクである。
従来のアプローチでは、不完全点集合によって供給されるエンコーダ・デコーダモデルにより、点雲全体を直接推定するニューラルネットワークが提案されていた。
本稿では、欠落した幾何を計算し、既知の入力と予測点クラウドを融合することに焦点を当てたエンドツーエンドニューラルネットワークアーキテクチャを提案する。
論文 参考訳(メタデータ) (2020-10-08T22:01:23Z) - DeepCLR: Correspondence-Less Architecture for Deep End-to-End Point
Cloud Registration [12.471564670462344]
この研究は、ディープニューラルネットワークを用いたポイントクラウド登録の問題に対処する。
重なり合うデータ内容を持つ2つの点雲間のアライメントを予測する手法を提案する。
提案手法は,最先端の精度と比較手法の最低実行時間を実現する。
論文 参考訳(メタデータ) (2020-07-22T08:20:57Z) - TearingNet: Point Cloud Autoencoder to Learn Topology-Friendly
Representations [20.318695890515613]
本稿では,固定長ディスクリプタを用いたポイントクラウドの表現に挑戦する自動エンコーダTearingNetを提案する。
我々のTeringNetは、提案されたTeringネットワークモジュールと、相互に反復的に相互作用するFoldingネットワークモジュールによって特徴付けられる。
実験は、点雲の再構成や、ベンチマークよりもトポロジに優しい表現を生成するという点で、我々の提案の優位性を示している。
論文 参考訳(メタデータ) (2020-06-17T22:42:43Z)
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。