論文の概要: Curvature Informed Furthest Point Sampling

• arxiv url: http://arxiv.org/abs/2411.16995v1
• Date: Mon, 25 Nov 2024 23:58:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-27 13:35:22.638592
• Title: Curvature Informed Furthest Point Sampling
• Title（参考訳）: 曲率インフォームドフルテスト点サンプリング
• Authors: Shubham Bhardwaj, Ashwin Vinod, Soumojit Bhattacharya, Aryan Koganti, Aditya Sai Ellendula, Balakrishna Reddy,
• Abstract要約: ファテスト点サンプリング(FPS)を強化する強化学習に基づくサンプリングアルゴリズムを提案する。 提案手法は,FPS由来のソフトランクと深部ニューラルネットワークによる曲率スコアを組み合わせることで,ポイントをランク付けする。 我々は,各特徴が性能に与える影響について,質的および定量的に考察した総合的アブレーション研究を提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Point cloud representation has gained traction due to its efficient memory usage and simplicity in acquisition, manipulation, and storage. However, as point cloud sizes increase, effective down-sampling becomes essential to address the computational requirements of downstream tasks. Classical approaches, such as furthest point sampling (FPS), perform well on benchmarks but rely on heuristics and overlook geometric features, like curvature, during down-sampling. In this paper, We introduce a reinforcement learning-based sampling algorithm that enhances FPS by integrating curvature information. Our approach ranks points by combining FPS-derived soft ranks with curvature scores computed by a deep neural network, allowing us to replace a proportion of low-curvature points in the FPS set with high-curvature points from the unselected set. Existing differentiable sampling techniques often suffer from training instability, hindering their integration into end-to-end learning frameworks. By contrast, our method achieves stable end-to-end learning, consistently outperforming baseline models across multiple downstream geometry processing tasks. We provide comprehensive ablation studies, with both qualitative and quantitative insights into the effect of each feature on performance. Our algorithm establishes state-of-the-art results for classification, segmentation and shape completion, showcasing its robustness and adaptability.
• Abstract（参考訳）: ポイントクラウドの表現は、効率的なメモリ使用量と、取得、操作、ストレージにおける単純さによって、勢いを増している。 しかし、ポイントクラウドのサイズが大きくなるにつれて、ダウンストリームタスクの計算要求に対処するために効果的なダウンサンプリングが不可欠となる。 ファーテスト点サンプリング(FPS)のような古典的なアプローチは、ベンチマークでうまく機能するが、ヒューリスティックに頼り、ダウンサンプリング中に曲率のような幾何学的特徴を見落としている。 本稿では、曲率情報を統合することでFPSを向上させる強化学習に基づくサンプリングアルゴリズムを提案する。 提案手法では,FPS由来のソフトランクと深部ニューラルネットワークによる曲率スコアを組み合わせることで,選択されていない集合から高い曲率でFPS集合の低曲率点の割合を置き換えることができる。 既存の差別化可能なサンプリング技術は、しばしばトレーニングの不安定性に悩まされ、エンドツーエンドの学習フレームワークへの統合を妨げる。 対照的に、本手法は安定なエンドツーエンド学習を実現し、複数の下流幾何処理タスクにまたがるベースラインモデルより一貫して優れる。 我々は,各特徴が性能に与える影響について,質的および定量的に考察した総合的アブレーション研究を提供する。 本アルゴリズムは, 分類, セグメント化, 形状完成のための最先端結果を確立し, その堅牢性と適応性を示す。

関連論文リスト

• 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)
• 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)
• PU-EVA: An Edge Vector based Approximation Solution for Flexible-scale Point Cloud Upsampling [4.418205951027186]
  スパース、ノイズ、および一様でない点雲のアップサンプリングは難しい作業だ。 フレキシブルスケールの点群アップサンプリング(PU-EVA)のためのエッジベクトルに基づく近似の新しい設計法を提案する。 EVAアップサンプリングは、ネットワークアーキテクチャによるアップサンプリングスケールを分離し、1回のトレーニングでフレキシブルアップサンプリングレートを達成する。
  論文  参考訳（メタデータ） (2022-04-22T15:14:05Z)
• 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)
• PU-Flow: a Point Cloud Upsampling Networkwith Normalizing Flows [58.96306192736593]
  本稿では,正規化フローを組み込んだPU-Flowについて述べる。 具体的には、重みが局所的な幾何学的文脈から適応的に学習される潜在空間において、アップサンプリング過程を点として定式化する。 提案手法は, 再現性, 近接精度, 計算効率の観点から, 最先端の深層学習手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-07-13T07:45:48Z)
• 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)
• Deep Magnification-Flexible Upsampling over 3D Point Clouds [103.09504572409449]
  本稿では,高密度点雲を生成するためのエンドツーエンド学習ベースのフレームワークを提案する。 まずこの問題を明示的に定式化し、重みと高次近似誤差を判定する。 そこで我々は,高次改良とともに,統一重みとソート重みを適応的に学習する軽量ニューラルネットワークを設計する。
  論文  参考訳（メタデータ） (2020-11-25T14:00:18Z)

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。