論文の概要: Joint Point Cloud Upsampling and Cleaning with Octree-based CNNs

• arxiv url: http://arxiv.org/abs/2410.17001v1
• Date: Tue, 22 Oct 2024 13:23:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-23 14:28:43.028692
• Title: Joint Point Cloud Upsampling and Cleaning with Octree-based CNNs
• Title（参考訳）: OctreeベースのCNNによるジョイントポイントクラウドのアップサンプリングとクリーニング
• Authors: Jihe Li, Bo Pang, Peng-Shuai Wang,
• Abstract要約: 本研究は, 簡易かつ効率的な連成アップサンプリング法とクリーニングポイント雲を提案する。 本手法はオフザシェルオクツリーベースの3D U-Net(OUNet)を小さな修正で利用することにより,単一ネットワーク内でのアップサンプリングとクリーニング処理を実現する。 我々のネットワークは、以前の作業のように各ポイントクラウドパッチを処理せずに、各入力ポイントクラウド全体を直接処理します。
• 参考スコア（独自算出の注目度）: 12.727392181530229
• License:
• Abstract: Recovering dense and uniformly distributed point clouds from sparse or noisy data remains a significant challenge. Recently, great progress has been made on these tasks, but usually at the cost of increasingly intricate modules or complicated network architectures, leading to long inference time and huge resource consumption. Instead, we embrace simplicity and present a simple yet efficient method for jointly upsampling and cleaning point clouds. Our method leverages an off-the-shelf octree-based 3D U-Net (OUNet) with minor modifications, enabling the upsampling and cleaning tasks within a single network. Our network directly processes each input point cloud as a whole instead of processing each point cloud patch as in previous works, which significantly eases the implementation and brings at least 47 times faster inference. Extensive experiments demonstrate that our method achieves state-of-the-art performances under huge efficiency advantages on a series of benchmarks. We expect our method to serve simple baselines and inspire researchers to rethink the method design on point cloud upsampling and cleaning.
• Abstract（参考訳）: スパースやノイズの多いデータから、密度が高く均一に分散した点雲を復元することは、依然として大きな課題である。 最近、これらのタスクは大きな進歩を遂げていますが、一般的には複雑なモジュールや複雑なネットワークアーキテクチャのコストがかかり、長い推測時間と膨大なリソース消費につながります。 代わりに、単純さを受け入れて、共同でアップサンプリングとクリーニングポイントクラウドを実現するための、シンプルで効率的な方法を提示します。 本手法はオフザシェルオクツリーベースの3D U-Net(OUNet)を小さな修正で利用することにより,単一ネットワーク内でのアップサンプリングとクリーニング処理を実現する。 我々のネットワークは、以前の作業のように各ポイントクラウドパッチを処理せずに、各入力ポイントクラウド全体を直接処理します。 大規模実験により, 一連のベンチマークにおいて, 高い効率性で最先端の性能を達成できることが実証された。 我々は,本手法が単純なベースラインを提供することを期待し,点群アップサンプリングとクリーニングの手法設計を再考するよう研究者に促す。

関連論文リスト

• Fast Learning of Signed Distance Functions from Noisy Point Clouds via Noise to Noise Mapping [54.38209327518066]
  点雲から符号付き距離関数を学習することは、3Dコンピュータビジョンにおいて重要な課題である。 クリーンポイントクラウドや地上の真理監督を必要としないノイズ・ノイズマッピングを用いてSDFを学習することを提案する。 我々の新しい特徴はノイズ・ト・ノイズマッピングにあり、1つの物体やシーンの高精度なSDFを、その多重または単一ノイズの観測から推測することができる。
  論文  参考訳（メタデータ） (2024-07-04T03:35:02Z)
• Arbitrary point cloud upsampling via Dual Back-Projection Network [12.344557879284219]
  ポイントクラウドアップサンプリング(DBPnet)のためのデュアルバックプロジェクションネットワークを提案する。 デュアルバックプロジェクションは、ポイントクラウドアップサンプリングのためのアップアップアップ方式で定式化される。 実験の結果,提案手法は最小の点集合の損失を達成できることがわかった。
  論文  参考訳（メタデータ） (2023-07-18T06:11:09Z)
• GP-PCS: One-shot Feature-Preserving Point Cloud Simplification with Gaussian Processes on Riemannian Manifolds [2.8811433060309763]
  本稿では,新しいワンショットポイントクラウド単純化手法を提案する。 表面の復元を一切行わずに、健全な構造的特徴と点雲全体の形状の両方を保っている。 提案手法を複数のベンチマークおよび自己取得点雲上で評価し,既存手法と比較し,下流での登録と表面再構成の応用を実証した。
  論文  参考訳（メタデータ） (2023-03-27T14:05:34Z)
• APSNet: Attention Based Point Cloud Sampling [0.7734726150561088]
  我々は,この問題に対処するため,アテンションベースのポイントクラウドサンプリングネットワーク(APSNet)を開発した。 APSNetの教師付き学習と知識蒸留に基づく自己教師型学習の両方を提案する。 実験では、様々な下流タスクにおける最先端技術に対するAPSNetの優れた性能を示す。
  論文  参考訳（メタデータ） (2022-10-11T17:30:46Z)
• BIMS-PU: Bi-Directional and Multi-Scale Point Cloud Upsampling [60.257912103351394]
  我々はBIMS-PUと呼ばれる新しいポイント・クラウド・アップサンプリング・パイプラインを開発した。 対象のサンプリング因子を小さな因子に分解することにより,アップ/ダウンサンプリング手順をいくつかのアップ/ダウンサンプリングサブステップに分解する。 提案手法は最先端手法よりも優れた結果が得られることを示す。
  論文  参考訳（メタデータ） (2022-06-25T13:13:37Z)
• Self-Supervised Arbitrary-Scale Point Clouds Upsampling via Implicit Neural Representation [79.60988242843437]
  そこで本研究では,自己監督型および倍率フレキシブルな点雲を同時にアップサンプリングする手法を提案する。 実験結果から, 自己教師あり学習に基づく手法は, 教師あり学習に基づく手法よりも, 競争力や性能が向上することが示された。
  論文  参考訳（メタデータ） (2022-04-18T07:18:25Z)
• Deep Point Cloud Simplification for High-quality Surface Reconstruction [24.29310178063052]
  PCS-Netは、幾何学的忠実さを維持しつつ、高品質な表面メッシュ再構築に特化している。 そこで本研究では,サンプル点の位置を改良する新しい2次元再サンプリングモジュールを提案する。 重要な形状特徴をさらに維持するため、新規な塩分損失を有する適応サンプリング戦略を設計する。
  論文  参考訳（メタデータ） (2022-03-17T05:22:25Z)
• GenReg: Deep Generative Method for Fast Point Cloud Registration [18.66568286698704]
  我々は,クラウド登録をポイントとする深層生成ニューラルネットワークを探索し,新しいデータ駆動型登録アルゴリズムを提案する。 ModelNet40と7Sceneのデータセットを用いた実験により、提案アルゴリズムが最先端の精度と効率を達成することを示した。
  論文  参考訳（メタデータ） (2021-11-23T10:52:09Z)
• Revisiting Point Cloud Simplification: A Learnable Feature Preserving Approach [57.67932970472768]
  MeshとPoint Cloudの単純化手法は、3Dモデルの複雑さを低減しつつ、視覚的品質と関連する健全な機能を維持することを目的としている。 そこで本研究では,正解点の標本化を学習し,高速点雲の簡易化手法を提案する。 提案手法は、入力空間から任意のユーザ定義の点数を選択し、視覚的知覚誤差を最小限に抑えるために、その位置を再配置するよう訓練されたグラフニューラルネットワークアーキテクチャに依存する。
  論文  参考訳（メタデータ） (2021-09-30T10:23:55Z)
• 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)
• SoftPoolNet: Shape Descriptor for Point Cloud Completion and Classification [93.54286830844134]
  本稿では,点雲に基づく3次元オブジェクトの補完と分類手法を提案する。 デコーダの段階では,グローバルな活性化エントロピーの最大化を目的とした新しい演算子である地域畳み込みを提案する。 我々は,オブジェクトの完成度や分類,最先端の精度の達成など,異なる3次元タスクに対するアプローチを評価する。
  論文  参考訳（メタデータ） (2020-08-17T14:32:35Z)

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。