論文の概要: MBPU: A Plug-and-Play State Space Model for Point Cloud Upsamping with Fast Point Rendering
- arxiv url: http://arxiv.org/abs/2410.15941v1
- Date: Mon, 21 Oct 2024 12:13:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-22 13:18:26.540480
- Title: MBPU: A Plug-and-Play State Space Model for Point Cloud Upsamping with Fast Point Rendering
- Title（参考訳）: MBPU:高速なポイントレンダリングによるポイントクラウドアップサンプリングのためのプラグアンドプレイ状態モデル
- Authors: Jiayi Song, Weidong Yang, Zhijun Li, Wen-Ming Chen, Ben Fei,
- Abstract要約: 我々は,Mambaアーキテクチャ上に構築されたMBPUというネットワークを導入する。
我々は同時に3次元位置ずれと1次元ポイント・ツー・ポイント距離を回帰量として予測し、グローバルな特徴を制約する。
高速点描画の利点により、MBPUは表面ノイズを効果的に排除し、高品質なアップサンプリングされた点雲が得られることに注意されたい。
- 参考スコア（独自算出の注目度）: 7.751874339957304
- License:
- Abstract: The task of point cloud upsampling (PCU) is to generate dense and uniform point clouds from sparse input captured by 3D sensors like LiDAR, holding potential applications in real yet is still a challenging task. Existing deep learning-based methods have shown significant achievements in this field. However, they still face limitations in effectively handling long sequences and addressing the issue of shrinkage artifacts around the surface of the point cloud. Inspired by the newly proposed Mamba, in this paper, we introduce a network named MBPU built on top of the Mamba architecture, which performs well in long sequence modeling, especially for large-scale point cloud upsampling, and achieves fast convergence speed. Moreover, MBPU is an arbitrary-scale upsampling framework as the predictor of point distance in the point refinement phase. At the same time, we simultaneously predict the 3D position shift and 1D point-to-point distance as regression quantities to constrain the global features while ensuring the accuracy of local details. We also introduce a fast differentiable renderer to further enhance the fidelity of the upsampled point cloud and reduce artifacts. It is noted that, by the merits of our fast point rendering, MBPU yields high-quality upsampled point clouds by effectively eliminating surface noise. Extensive experiments have demonstrated that our MBPU outperforms other off-the-shelf methods in terms of point cloud upsampling, especially for large-scale point clouds.
- Abstract（参考訳）: PCU(point cloud Upsampling)のタスクは、LiDARのような3Dセンサーによってキャプチャされたスパース入力から、密度の高い均一な点雲を生成することだ。
既存のディープラーニングに基づく手法はこの分野で大きな成果を上げている。
しかしながら、長いシーケンスを効果的に処理し、ポイントクラウドの表面を囲む縮小アーティファクトの問題に対処する上で、制限に直面している。
本稿では,Mambaアーキテクチャ上に構築されたMBPUというネットワークを導入し,特に大規模点雲のアップサンプリングにおいて長周期モデリングに優れ,高速収束を実現する。
さらに、MBPUは点修正フェーズにおける点距離の予測器として、任意のスケールのアップサンプリングフレームワークである。
同時に、3次元位置ずれと1次元点間距離を回帰量として同時に予測し、局所的な詳細の精度を確保しつつ、グローバルな特徴を制約する。
また、アップサンプリングされた点雲の忠実度をさらに向上し、アーティファクトを減らすために、高速な微分可能なレンダラも導入する。
高速点描画の利点により、MBPUは表面ノイズを効果的に排除し、高品質なアップサンプリングされた点雲が得られることに注意されたい。
広範囲な実験により、MBPUは、特に大規模点雲において、点雲のアップサンプリングの観点から、他のオフザシェルフ法よりも優れていることが示されている。
関連論文リスト
- PIVOT-Net: Heterogeneous Point-Voxel-Tree-based Framework for Point
Cloud Compression [8.778300313732027]
異種クラウド圧縮(PCC)フレームワークを提案する。
私たちは、典型的なポイントクラウド表現 -- ポイントベース、ボクセルベース、ツリーベース表現 -- と関連するバックボーンを統一します。
本稿では,デコードのためのコンテキスト対応アップサンプリングと,機能集約のための拡張ボクセルトランスフォーマーによりフレームワークを増強する。
論文 参考訳（メタデータ） (2024-02-11T16:57:08Z) - Test-Time Augmentation for 3D Point Cloud Classification and
Segmentation [40.62640761825697]
データ拡張は、ディープラーニングタスクのパフォーマンスを向上させるための強力なテクニックである。
本研究は,3次元点雲に対するTTA(Test-time augmentation)について検討する。
論文 参考訳（メタデータ） (2023-11-22T04:31:09Z) - Grad-PU: Arbitrary-Scale Point Cloud Upsampling via Gradient Descent
with Learned Distance Functions [77.32043242988738]
我々は、任意のアップサンプリングレートをサポートする、正確なポイントクラウドアップサンプリングのための新しいフレームワークを提案する。
提案手法は,まず,所定のアップサンプリング率に応じて低解像度の雲を補間する。
論文 参考訳（メタデータ） (2023-04-24T06:36:35Z) - StarNet: Style-Aware 3D Point Cloud Generation [82.30389817015877]
StarNetは、マッピングネットワークを使用して高忠実度および3Dポイントクラウドを再構築し、生成することができる。
我々のフレームワークは、クラウドの再構築と生成タスクにおいて、様々なメトリクスで同等の最先端のパフォーマンスを達成します。
論文 参考訳（メタデータ） (2023-03-28T08:21:44Z) - 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) - 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) - PU-Transformer: Point Cloud Upsampling Transformer [38.05362492645094]
我々は、疎入力データから高密度高忠実点雲を生成することを目的とした点群アップサンプリングタスクに焦点をあてる。
具体的には,特徴表現における変換器の強みを活性化するために,多頭部自己注意構造の新しい変種を開発する。
我々は,従来のCNN手法と比較し,提案手法の優れた性能を示す。
論文 参考訳（メタデータ） (2021-11-24T03:25:35Z) - SSPU-Net: Self-Supervised Point Cloud Upsampling via Differentiable
Rendering [21.563862632172363]
地中真理を使わずに高密度の点雲を生成するための自己教師付き点雲アップサンプリングネットワーク(SSPU-Net)を提案する。
これを実現するために,入力スパース点雲と高密度点雲との整合性を利用して画像の形状と描画を行う。
論文 参考訳（メタデータ） (2021-08-01T13:26:01Z) - Learning Semantic Segmentation of Large-Scale Point Clouds with Random
Sampling [52.464516118826765]
我々はRandLA-Netを紹介した。RandLA-Netは、大規模ポイントクラウドのポイントごとの意味を推論する、効率的で軽量なニューラルネットワークアーキテクチャである。
我々のアプローチの鍵は、より複雑な点選択アプローチではなく、ランダムな点サンプリングを使用することである。
我々のRandLA-Netは、既存のアプローチよりも最大200倍高速な1回のパスで100万ポイントを処理できます。
論文 参考訳（メタデータ） (2021-07-06T05:08:34Z) - "Zero Shot" Point Cloud Upsampling [4.737519767218666]
本稿では,Zero Shot" Point Cloud Upsampling (ZSPU) と呼ばれる点群を総括的に監視する手法を提案する。
我々のアプローチは、自己学習とテストの両方のフェーズにパッチを当てることなく、特定のポイントクラウドによって提供される内部情報のみに基づいています。
ZSPUは、複雑な局所的な詳細や高い曲率を持つ形状の質的な結果を得る。
論文 参考訳（メタデータ） (2021-06-25T17:06:18Z) - Pseudo-LiDAR Point Cloud Interpolation Based on 3D Motion Representation
and Spatial Supervision [68.35777836993212]
我々はPseudo-LiDAR点雲ネットワークを提案し、時間的および空間的に高品質な点雲列を生成する。
点雲間のシーンフローを活用することにより,提案ネットワークは3次元空間運動関係のより正確な表現を学習することができる。
論文 参考訳（メタデータ） (2020-06-20T03:11:04Z)
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。