Fugu-MT 論文翻訳(概要): Self-supervised 3D Point Cloud Completion via Multi-view Adversarial Learning

論文の概要: Self-supervised 3D Point Cloud Completion via Multi-view Adversarial Learning

arxiv url: http://arxiv.org/abs/2407.09786v2
Date: Wed, 6 Nov 2024 14:22:28 GMT
ステータス: 処理完了
システム内更新日: 2024-11-08 21:54:45.670626
Title: Self-supervised 3D Point Cloud Completion via Multi-view Adversarial Learning
Title（参考訳）: 多視点逆学習による自己教師付き3Dポイントクラウドコンプリート
Authors: Lintai Wu, Xianjing Cheng, Yong Xu, Huanqiang Zeng, Junhui Hou,
Abstract要約: 我々は、オブジェクトレベルとカテゴリ固有の幾何学的類似性の両方を効果的に活用するフレームワークであるMAL-SPCを提案する。私たちのMAL-SPCは3Dの完全な監視を一切必要とせず、各オブジェクトに1つの部分点クラウドを必要とするだけです。
参考スコア（独自算出の注目度）: 61.14132533712537
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In real-world scenarios, scanned point clouds are often incomplete due to occlusion issues. The task of self-supervised point cloud completion involves reconstructing missing regions of these incomplete objects without the supervision of complete ground truth. Current self-supervised methods either rely on multiple views of partial observations for supervision or overlook the intrinsic geometric similarity that can be identified and utilized from the given partial point clouds. In this paper, we propose MAL-SPC, a framework that effectively leverages both object-level and category-specific geometric similarities to complete missing structures. Our MAL-SPC does not require any 3D complete supervision and only necessitates a single partial point cloud for each object. Specifically, we first introduce a Pattern Retrieval Network to retrieve similar position and curvature patterns between the partial input and the predicted shape, then leverage these similarities to densify and refine the reconstructed results. Additionally, we render the reconstructed complete shape into multi-view depth maps and design an adversarial learning module to learn the geometry of the target shape from category-specific single-view depth images. To achieve anisotropic rendering, we design a density-aware radius estimation algorithm to improve the quality of the rendered images. Our MAL-SPC yields the best results compared to current state-of-the-art methods.We will make the source code publicly available at \url{https://github.com/ltwu6/malspc
Abstract（参考訳）: 現実のシナリオでは、スキャンされた点雲はしばしば閉塞問題のために不完全である。自己監督点雲完備化の課題は、完全な地底の真実を監督することなく、これらの不完全な物体の欠落した領域を再構築することである。現在の自己監督法は、監視のために部分観測の複数の視点に依存するか、または与えられた部分点雲から特定され、利用することができる固有の幾何学的類似性を見渡すかのいずれかである。本稿では,オブジェクトレベルとカテゴリ固有の幾何学的類似性を効果的に活用するフレームワークであるMAL-SPCを提案する。私たちのMAL-SPCは3Dの完全な監視を一切必要とせず、各オブジェクトに1つの部分点クラウドを必要とするだけです。具体的には、まず、部分入力と予測形状との間の類似した位置と曲率パターンを検索し、これらの類似性を活用して再構成結果の密度化と精査を行うパターン検索ネットワークを提案する。さらに、再構成された完全形状を多視点深度マップに描画し、カテゴリ固有の一視点深度画像から対象形状の幾何学を学習するための対角学習モジュールを設計する。異方性レンダリングを実現するために,レンダリング画像の品質向上を目的とした密度認識半径推定アルゴリズムを設計する。私たちのMAL-SPCは、現在の最先端のメソッドと比較して、最高の結果をもたらします。

関連論文リスト

SVDFormer: Complementing Point Cloud via Self-view Augmentation and Self-structure Dual-generator [30.483163963846206]
本稿では,ポイントクラウド補完における2つの課題に対処するために,新たなネットワークSVDFormerを提案する。我々はまず,複数視点深度画像情報を利用して不完全な自己形成を観測するセルフビューフュージョンネットワークを設計する。次に,自己構造デュアルジェネレータ (Self-structure Dual-generator) と呼ばれる改良モジュールを導入する。
論文参考訳（メタデータ） (2023-07-17T13:55:31Z)
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)
Leveraging Single-View Images for Unsupervised 3D Point Cloud Completion [53.93172686610741]
Cross-PCCは3次元完全点雲を必要としない教師なしの点雲補完法である。 2次元画像の相補的な情報を活用するために,単視点RGB画像を用いて2次元特徴を抽出する。我々の手法は、いくつかの教師付き手法に匹敵する性能を達成できる。
論文参考訳（メタデータ） (2022-12-01T15:11:21Z)
Single-view 3D Mesh Reconstruction for Seen and Unseen Categories [69.29406107513621]
シングルビュー3Dメッシュ再構成は、シングルビューRGB画像から3D形状を復元することを目的とした、基本的なコンピュータビジョンタスクである。本稿では,一視点3Dメッシュ再構成に取り組み,未知のカテゴリのモデル一般化について検討する。我々は、再構築におけるカテゴリ境界を断ち切るために、エンドツーエンドの2段階ネットワークであるGenMeshを提案する。
論文参考訳（メタデータ） (2022-08-04T14:13:35Z)
Self-supervised Point Cloud Completion on Real Traffic Scenes via Scene-concerned Bottom-up Mechanism [14.255659581428333]
ポイントクラウド補完は、オブジェクトの不完全な3Dスキャンのための完全な形状を参照することを目的としている。現在のディープラーニングベースのアプローチは、トレーニングプロセスにおける大規模な完全な形状に依存しています。本研究では,交通現場の車両に対して,完全なデータを持たない自己監視点クラウド補完手法(TraPCC)を提案する。
論文参考訳（メタデータ） (2022-03-20T14:42:37Z)
Variational Relational Point Completion Network [41.98957577398084]
既存のポイントクラウド補完メソッドは、グローバルシェイプスケルトンを生成し、細かいローカル詳細を欠いています。本稿では,2つの特性を持つ変分点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で、大きな可能性と堅牢性を示します。
論文参考訳（メタデータ） (2021-04-20T17:53:40Z)
3D Object Classification on Partial Point Clouds: A Practical Perspective [91.81377258830703]
点雲は3次元オブジェクト分類において一般的な形状表現である。本稿では,任意のポーズの下でオブジェクトインスタンスの部分点雲を分類する実践的な設定を提案する。本稿では,アライメント分類手法による新しいアルゴリズムを提案する。
論文参考訳（メタデータ） (2020-12-18T04:00:56Z)
RfD-Net: Point Scene Understanding by Semantic Instance Reconstruction [19.535169371240073]
本稿では,高密度物体表面を直接点雲から検出・再構成するRfD-Netを提案する。インスタンス再構成を大域的オブジェクトローカライゼーションと局所形状予測に分離する。我々のアプローチは、オブジェクト再構成において、最先端の技術を一貫して上回り、メッシュIoUの11以上を改善します。
論文参考訳（メタデータ） (2020-11-30T12:58:05Z)
Point Cloud Completion by Skip-attention Network with Hierarchical Folding [61.59710288271434]
本研究では,3Dポイントクラウド補完のためのSkip-Attention Network (SA-Net)を提案する。まず,不完全点雲の局所構造を効果的に活用するためのスキップアテンション機構を提案する。第二に、異なる解像度でスキップアテンション機構によって符号化された選択された幾何情報を完全に活用するために、新しい構造保存デコーダを提案する。
論文参考訳（メタデータ） (2020-05-08T06:23:51Z)

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。