論文の概要: SPAC-Net: Rethinking Point Cloud Completion with Structural Prior

• arxiv url: http://arxiv.org/abs/2411.15066v1
• Date: Fri, 22 Nov 2024 16:54:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-25 15:03:47.967266
• Title: SPAC-Net: Rethinking Point Cloud Completion with Structural Prior
• Title（参考訳）: SPAC-Net: 構造的プリミティブによるポイントクラウド補完の再考
• Authors: Zizhao Wu, Jian Shi, Xuan Deng, Cheng Zhang, Genfu Yang, Ming Zeng, Yunhai Wang,
• Abstract要約: ポイント雲の完成は、その部分的な観測から完全な形状を推測することを目的としている。 多くのアプローチは純粋なエンコーダデコーダパラダイムを利用しており、部分スキャンから学習した形状の先行によって完全な形状を直接予測することができる。 本研究では,新しい構造的事前指導の下で完了作業を再考することを目的とした新しいフレームワークSPAC-Netを提案する。
• 参考スコア（独自算出の注目度）: 17.334882020068697
• License:
• Abstract: Point cloud completion aims to infer a complete shape from its partial observation. Many approaches utilize a pure encoderdecoder paradigm in which complete shape can be directly predicted by shape priors learned from partial scans, however, these methods suffer from the loss of details inevitably due to the feature abstraction issues. In this paper, we propose a novel framework,termed SPAC-Net, that aims to rethink the completion task under the guidance of a new structural prior, we call it interface. Specifically, our method first investigates Marginal Detector (MAD) module to localize the interface, defined as the intersection between the known observation and the missing parts. Based on the interface, our method predicts the coarse shape by learning the displacement from the points in interface move to their corresponding position in missing parts. Furthermore, we devise an additional Structure Supplement(SSP) module before the upsampling stage to enhance the structural details of the coarse shape, enabling the upsampling module to focus more on the upsampling task. Extensive experiments have been conducted on several challenging benchmarks, and the results demonstrate that our method outperforms existing state-of-the-art approaches.
• Abstract（参考訳）: ポイント雲の完成は、その部分的な観測から完全な形状を推測することを目的としている。 多くのアプローチでは、部分的なスキャンから得られた形状の先行によって完全な形状を直接予測できる純粋エンコーダデコーダのパラダイムを使用しているが、これらの手法は機能の抽象化問題により必然的に詳細が失われることに悩まされている。 本稿では,新しい構造的先行の指導の下で完了タスクを再考することを目的とした新しいフレームワークであるSPAC-Netを提案する。 具体的には、まずMarginal Detector (MAD) モジュールを解析し、既知の観察と欠落部分との交点として定義されたインタフェースをローカライズする。 本手法は, 界面上の点から, 欠落部分における対応する位置への変位を学習することにより, 粗い形状を予測する。 さらに、アップサンプリングステージの前に追加のStructure Supplement(SSP)モジュールを設計し、粗い形状の構造的詳細を強化することにより、アップサンプリングモジュールがアップサンプリングタスクに集中できるようにする。 その結果,本手法が既存の最先端手法よりも優れていることが示された。

関連論文リスト

• 3D Shape Completion on Unseen Categories:A Weakly-supervised Approach [61.76304400106871]
  未確認のカテゴリから完全な形状を再構築するための、新しい弱教師付きフレームワークを導入する。 まず,各カテゴリから得られたデータを利用して粗い形状を推定する,エンドツーエンドの事前支援型形状学習ネットワークを提案する。 さらに, 粗い形状をさらに洗練させるために, 自己教師型形状改善モデルを提案する。
  論文  参考訳（メタデータ） (2024-01-19T09:41:09Z)
• Human as Points: Explicit Point-based 3D Human Reconstruction from Single-view RGB Images [78.56114271538061]
  我々はHaPと呼ばれる明示的なポイントベース人間再構築フレームワークを導入する。 提案手法は,3次元幾何学空間における完全明示的な点雲推定,操作,生成,洗練が特徴である。 我々の結果は、完全に明示的で幾何学中心のアルゴリズム設計へのパラダイムのロールバックを示すかもしれない。
  論文  参考訳（メタデータ） (2023-11-06T05:52:29Z)
• Shape Anchor Guided Holistic Indoor Scene Understanding [9.463220988312218]
  本研究では, 室内環境の堅牢な理解のための形状アンカー案内学習戦略(AncLearn)を提案する。 AncLearnは、インスタンス表面を動的に(i)アンミックスノイズとターゲット関連の機能に適合するアンカーを生成し、検出段階で信頼性の高い提案を提供する。 我々は,高品質なセマンティックシーンモデルを生成するために,AncLearnを再構成検出学習システム(AncRec)に組み込む。
  論文  参考訳（メタデータ） (2023-09-20T08:30:20Z)
• Point Cloud Completion Guided by Prior Knowledge via Causal Inference [19.935868881427226]
  本稿では,ポイントPCと呼ばれる新たなクラウド完了タスクを提案する。 Point-PCはメモリネットワークを用いて形状の先行情報を検索し、因果推論モデルを設計し、欠落した形状情報をフィルタリングする。 ShapeNet-55、PCN、KITTIデータセットの実験結果から、Point-PCは最先端の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） (2023-05-28T16:33:35Z)
• Prototype-Aware Heterogeneous Task for Point Cloud Completion [35.47134205562422]
  ポイントクラウド補完は、部分的なポイントクラウドから元の形状情報を復元することを目的としている。 既存の方法は通常標準形状の完成に成功し、非標準形状の点雲の局所的な詳細を生成できない。 本研究では,クラス内形状表現の助けを借りて,標準形・非標準形を識別する効果的な手法を設計する。
  論文  参考訳（メタデータ） (2022-09-05T02:43:06Z)
• Point Scene Understanding via Disentangled Instance Mesh Reconstruction [21.92736190195887]
  本稿では,効率的なポイントシーン理解のために,aDisentangled Instance Mesh Reconstruction (DIMR) フレームワークを提案する。 セグメント化ベースのバックボーンは、偽陽性オブジェクトの提案を減らすために適用される。 メッシュを意識した潜在コード空間を活用して、シェイプコンプリートとメッシュ生成のプロセスを切り離します。
  論文  参考訳（メタデータ） (2022-03-31T06:36:07Z)
• ME-PCN: Point Completion Conditioned on Mask Emptiness [50.414383063838336]
  メインストリーム法は入力点クラウドから学んだグローバルな特徴を復号することで、欠落した形状を予測する。 本稿では,3次元形状空間における空度を利用した点完備ネットワークME-PCNを提案する。
  論文  参考訳（メタデータ） (2021-08-18T15:02:27Z)
• SPU-Net: Self-Supervised Point Cloud Upsampling by Coarse-to-Fine Reconstruction with Self-Projection Optimization [52.20602782690776]
  実際のスキャンされたスパースデータからトレーニング用の大規模なペアリングスパーススキャンポイントセットを得るのは高価で面倒です。 本研究では,SPU-Net と呼ばれる自己監視型点群アップサンプリングネットワークを提案する。 本研究では,合成データと実データの両方について様々な実験を行い,最先端の教師付き手法と同等の性能が得られることを示す。
  論文  参考訳（メタデータ） (2020-12-08T14:14:09Z)
• Skeleton-bridged Point Completion: From Global Inference to Local Adjustment [48.2757171993437]
  形状整形のための骨格ブリッジ型点完備ネットワーク(SK-PCN)を提案する。 部分スキャンにより,まずその3次元骨格を予測し,大域構造を求める。 形状の完備化を構造推定と表面再構成に分離し,学習の難易度を緩和する。
  論文  参考訳（メタデータ） (2020-10-14T22:49:30Z)
• Deep Keypoint-Based Camera Pose Estimation with Geometric Constraints [80.60538408386016]
  連続するフレームから相対的なカメラのポーズを推定することは、視覚計測の基本的な問題である。 本稿では,検出,特徴抽出,マッチング,外乱除去のための学習可能なモジュールで構成されるエンドツーエンドのトレーニング可能なフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-29T21:41:31Z)

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。