論文の概要: Enhancing Performance of Point Cloud Completion Networks with Consistency Loss

• arxiv url: http://arxiv.org/abs/2410.07298v1
• Date: Mon, 14 Oct 2024 16:36:49 GMT
• ステータス: 処理完了
• システム内更新日: 2024-10-31 21:06:44.114486
• Title: Enhancing Performance of Point Cloud Completion Networks with Consistency Loss
• Title（参考訳）: 整合性損失のあるポイントクラウドコンプリートネットワークの性能向上
• Authors: Kevin Tirta Wijaya, Christofel Rio Goenawan, Seung-Hyun Kong,
• Abstract要約: 本稿では,1対1のマッピング問題を緩和するために,新しい完了整合性損失を用いて従来の学習目標を強化することを提案する。 提案した整合性損失は,既存ネットワークの補完性能を向上させるのに優れる。 特に、提案された一貫性損失でトレーニングされた最先端のポイントコンプリートネットワークは、挑戦的な新しいMVPデータセットで最先端の精度を達成することができる。
• 参考スコア（独自算出の注目度）: 5.904745696905252
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Point cloud completion networks are conventionally trained to minimize the disparities between the completed point cloud and the ground-truth counterpart. However, an incomplete object-level point cloud can have multiple valid completion solutions when it is examined in isolation. This one-to-many mapping issue can cause contradictory supervision signals to the network because the loss function may produce different values for identical input-output pairs of the network. In many cases, this issue could adversely affect the network optimization process. In this work, we propose to enhance the conventional learning objective using a novel completion consistency loss to mitigate the one-to-many mapping problem. Specifically, the proposed consistency loss ensure that a point cloud completion network generates a coherent completion solution for incomplete objects originating from the same source point cloud. Experimental results across multiple well-established datasets and benchmarks demonstrated the proposed completion consistency loss have excellent capability to enhance the completion performance of various existing networks without any modification to the design of the networks. The proposed consistency loss enhances the performance of the point completion network without affecting the inference speed, thereby increasing the accuracy of point cloud completion. Notably, a state-of-the-art point completion network trained with the proposed consistency loss can achieve state-of-the-art accuracy on the challenging new MVP dataset. The code and result of experiment various point completion models using proposed consistency loss will be available at: https://github.com/kaist-avelab/ConsistencyLoss .
• Abstract（参考訳）: ポイント・クラウド・コンプリート・ネットワークは、通常、完了したポイント・クラウドとグランド・トゥルース間の格差を最小限に抑えるために訓練される。 しかし、不完全なオブジェクトレベル・ポイント・クラウドは、独立に調べられると、複数の有効な補完ソリューションを持つことができる。 この1対多のマッピング問題は、損失関数がネットワークの同一の入出力ペアに対して異なる値を生成するため、ネットワークに矛盾する監視信号を引き起こす可能性がある。 多くの場合、この問題はネットワーク最適化プロセスに悪影響を及ぼす可能性がある。 本研究では,1対1のマッピング問題を緩和するために,新しい完了整合性損失を用いて従来の学習目標を強化することを提案する。 具体的には、提案した一貫性損失により、同一のソースポイントクラウドから派生した不完全なオブジェクトに対して、ポイントクラウド補完ネットワークがコヒーレントな補完ソリューションを生成する。 複数の確立されたデータセットとベンチマークによる実験結果から、提案された完了整合性損失は、ネットワークの設計を変更することなく、既存のネットワークの完了性能を向上させるのに優れた能力を有することが示された。 提案した整合性損失は、推定速度に影響を与えることなく、ポイント完了ネットワークの性能を高め、ポイントクラウド完了の精度を高める。 特に、提案された一貫性損失でトレーニングされた最先端のポイントコンプリートネットワークは、挑戦的な新しいMVPデータセットで最先端の精度を達成することができる。 提案された一貫性損失を使用して、さまざまなポイント完了モデルを実験した結果は、https://github.com/kaist-avelab/ConsistencyLoss で利用可能である。

関連論文リスト

• PCV: A Point Cloud-Based Network Verifier [8.239631885389382]
  本稿では3Dポイントネットの状態をうまく処理できるポイントクラウドベースのネットワーク検証について述べる。 モデル精度と特性係数への影響を計算し、小さな摂動状態に対するPointNetネットワークのロバスト性をテストする。
  論文  参考訳（メタデータ） (2023-01-27T15:58:54Z)
• PointCA: Evaluating the Robustness of 3D Point Cloud Completion Models Against Adversarial Examples [63.84378007819262]
  本稿では,3次元クラウド完了モデルに対する最初の逆攻撃であるPointCAを提案する。 ポイントCAは、元のものと高い類似性を維持する逆点雲を生成することができる。 その結果,PointCAは77.9%から16.7%に低下し,その構造は0.01以下であることがわかった。
  論文  参考訳（メタデータ） (2022-11-22T14:15:41Z)
• FBNet: Feedback Network for Point Cloud Completion [35.89264923599902]
  本稿では,ポイントクラウド補完のための新しいフィードバックネットワーク(FBNet)を提案する。 フィードバック接続を構築する上での最大の課題は、現在の機能とその後の機能とのミスマッチである。 これを解決するために、クロスアテンション戦略を通じて、クロスアテンショントランスフォーマーはフィードバック機能からの効率的な情報を利用する。
  論文  参考訳（メタデータ） (2022-10-08T09:12:37Z)
• 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)
• 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)
• Cascaded Refinement Network for Point Cloud Completion with Self-supervision [74.80746431691938]
  形状整形のための2分岐ネットワークを提案する。 第1分枝は、完全なオブジェクトを合成するためのカスケード形状補完サブネットワークである。 第2のブランチは、元の部分入力を再構築する自動エンコーダである。
  論文  参考訳（メタデータ） (2020-10-17T04:56:22Z)
• AQD: Towards Accurate Fully-Quantized Object Detection [94.06347866374927]
  本稿では,浮動小数点演算を除去するために,AQDと呼ばれる高精度な量子化オブジェクト検出ソリューションを提案する。 我々のAQDは、非常に低ビットのスキームの下での完全精度と比較して、同等またはそれ以上の性能を実現しています。
  論文  参考訳（メタデータ） (2020-07-14T09:07:29Z)
• GRNet: Gridding Residual Network for Dense Point Cloud Completion [54.43648460932248]
  完全な3Dポイントクラウドを不完全なクラウドから推定することは、多くのビジョンやロボティクスアプリケーションにおいて重要な問題である。 本稿では,ポイントクラウド補完のための新しいGridding Residual Network(GRNet)を提案する。 実験結果から,提案したGRNetはShapeNet,Completion3D,KITTIベンチマークの最先端手法に対して良好に動作することがわかった。
  論文  参考訳（メタデータ） (2020-06-06T02:46:39Z)
• PF-Net: Point Fractal Network for 3D Point Cloud Completion [6.504317278066694]
  ポイントフラクタルネットワーク(PF-Net)は、正確かつ高忠実なポイントクラウド補完のための新しい学習ベースのアプローチである。 PF-Netは不完全点雲の空間配置を保存し、その予測において欠落領域の詳細な幾何学的構造を把握できる。 本実験は,いくつかの難点クラウド完了タスクにおいて,本手法の有効性を示すものである。
  論文  参考訳（メタデータ） (2020-03-01T05:40:21Z)

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。