論文の概要: Revisiting Point Cloud Completion: Are We Ready For The Real-World?

• arxiv url: http://arxiv.org/abs/2411.17580v3
• Date: Mon, 10 Mar 2025 13:03:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-11 15:40:58.869841
• Title: Revisiting Point Cloud Completion: Are We Ready For The Real-World?
• Title（参考訳）: ポイントクラウドのコンプリートを再考: 実世界に向けて準備は整っているか?
• Authors: Stuti Pathak, Prashant Kumar, Dheeraj Baiju, Nicholus Mboga, Gunther Steenackers, Rudi Penne,
• Abstract要約: 制約のある、困難な、制御されていない、マルチセンサーの現実世界設定で取得されるポイントクラウドは、ノイズ、不完全、不均一にスパースである。 現在のベンチマークオブジェクトポイントクラウドは、現実的な環境でキャプチャされたポイントクラウドの重要な部分である豊富なトポロジ的特徴を欠いていることを実証する。 本稿では,0次元PH前駆体が3次元骨格の形で完全形状の大域的位相を抽出し,位相的に一貫した完全形状を生成するモデルを支援する方法について述べる。
• 参考スコア（独自算出の注目度）: 1.8714045643848571
• License:
• Abstract: Point clouds acquired in constrained, challenging, uncontrolled, and multi-sensor real-world settings are noisy, incomplete, and non-uniformly sparse. This presents acute challenges for the vital task of point cloud completion. Using tools from Algebraic Topology and Persistent Homology (PH), we demonstrate that current benchmark object point clouds lack rich topological features that are integral part of point clouds captured in realistic environments. To facilitate research in this direction, we contribute the first real-world industrial dataset for point cloud completion, RealPC - a diverse, rich and varied set of point clouds. It consists of ~ 40,000 pairs across 21 categories of industrial structures in railway establishments. Benchmark results on several strong baselines reveal that existing methods fail in real-world scenarios. We discover a striking observation - unlike current datasets, RealPC consists of multiple 0- and 1-dimensional PH-based topological features. We prove that integrating these topological priors into existing works helps improve completion. We present how 0-dimensional PH priors extract the global topology of a complete shape in the form of a 3D skeleton and assist a model in generating topologically consistent complete shapes. Since computing Homology is expensive, we present a simple, yet effective Homology Sampler guided network, BOSHNet that bypasses the Homology computation by sampling proxy backbones akin to 0-dim PH. These backbones provide similar benefits of 0-dim PH right from the start of the training, unlike similar methods where accurate backbones are obtained only during later phases of the training.
• Abstract（参考訳）: 制約のある、困難な、制御されていない、マルチセンサーの現実世界設定で取得されるポイントクラウドは、ノイズ、不完全、不均一にスパースである。 これは、ポイントクラウドの完了という重要なタスクに対して、急激な課題を提示します。 Algebraic Topology と Persistent Homology (PH) のツールを使用して、現在のベンチマークオブジェクトポイントクラウドは、現実的な環境でキャプチャされたポイントクラウドの不可欠な、リッチなトポロジ的特徴を欠いていることを実証する。 この方向の研究を容易にするために、ポイントクラウド補完のための最初の実世界の産業データセットであるRealPC – 多様なリッチで多様なポイントクラウドセットを提供する。 鉄道施設の21の産業構造にまたがる約40,000組からなる。 いくつかの強力なベースライン上のベンチマーク結果から、既存のメソッドが現実のシナリオで失敗することが明らかになった。 現在のデータセットとは異なり、RealPCは複数の0次元と1次元のPHベースのトポロジ的特徴から構成されている。 これらのトポロジカルな前提を既存の作業に組み込むことで、完成度が向上することを示す。 本稿では,0次元PH前駆体が3次元骨格の形で完全形状の大域的位相を抽出し,位相的に一貫した完全形状を生成するモデルを支援する方法について述べる。 ホメオロジーは高価であるため,0-dim PHに類似したプロキシバックボーンをサンプリングすることで,ホモロジー計算をバイパスする,単純な,効果的なホモロジーサンプリングネットワークBOSHNetを提案する。これらのバックボーンは,トレーニング開始直後から0-dim PHの類似した利点を提供する。

関連論文リスト

• Bridging Domain Gap of Point Cloud Representations via Self-Supervised Geometric Augmentation [15.881442863961531]
  領域間の点雲表現の幾何学的不変性を誘導する新しいスキームを提案する。 一方、点雲のセントロイドシフトを軽減するために、拡張サンプルの距離の変換を予測するための新しいプレテキストタスクが提案されている。 一方,我々は幾何学的に拡張された点雲上での自己教師付き関係学習の統合を開拓した。
  論文  参考訳（メタデータ） (2024-09-11T02:39:19Z)
• Point-Level Topological Representation Learning on Point Clouds [5.079602839359521]
  複素点雲からノードレベルの位相的特徴を抽出する新しい手法を提案する。 我々は,これらのトポロジ的特徴が合成データと実世界のデータの両方に与える影響を検証する。
  論文  参考訳（メタデータ） (2024-06-04T13:29:12Z)
• Point Cloud Compression with Implicit Neural Representations: A Unified Framework [54.119415852585306]
  我々は幾何学と属性の両方を扱える先駆的なクラウド圧縮フレームワークを提案する。 本フレームワークでは,2つの座標ベースニューラルネットワークを用いて,voxelized point cloudを暗黙的に表現する。 本手法は,既存の学習手法と比較して,高い普遍性を示す。
  論文  参考訳（メタデータ） (2024-05-19T09:19:40Z)
• Variational Relational Point Completion Network for Robust 3D Classification [59.80993960827833]
  可変点雲補完法は、局所的な詳細を欠くため、大域的な形状の骨格を生成する傾向がある。 本稿では2つの魅力的な特性を持つ変分フレームワークであるポイントコンプリートネットワーク(VRCNet)を提案する。 VRCNetは、現実世界のポイントクラウドスキャンにおいて、非常に一般化性と堅牢性を示している。
  論文  参考訳（メタデータ） (2023-04-18T17:03:20Z)
• Spotlights: Probing Shapes from Spherical Viewpoints [25.824284796437652]
  本研究では3次元形状を1次元の奥行き値のコンパクトな配列として表現するスポットライトと呼ばれる新しいサンプリングモデルを提案する。 球面上に均等に分布するカメラの構成をシミュレートし、それぞれの仮想カメラがその主点から小さな同心球状キャップに試料点を通して光線を流し、球面に囲まれた物体との交点を探索する。
  論文  参考訳（メタデータ） (2022-05-25T08:23:18Z)
• Learning a Structured Latent Space for Unsupervised Point Cloud Completion [48.79411151132766]
  部分点雲と完全点雲の両方を符号化する統一的で構造化された潜在空間を学習する新しいフレームワークを提案する。 提案手法は、合成ShapeNetと実世界のKITTI、ScanNet、Matterport3Dデータセットの両方において、最先端の教師なし手法を一貫して上回っている。
  論文  参考訳（メタデータ） (2022-03-29T13:58:44Z)
• Voxel-based Network for Shape Completion by Leveraging Edge Generation [76.23436070605348]
  エッジ生成(VE-PCN)を利用した点雲補完のためのボクセルネットワークを開発した。 まず点雲を正規のボクセル格子に埋め込み、幻覚した形状のエッジの助けを借りて完全な物体を生成する。 この分離されたアーキテクチャとマルチスケールのグリッド機能学習は、より現実的な表面上の詳細を生成することができる。
  論文  参考訳（メタデータ） (2021-08-23T05:10:29Z)
• 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)
• TearingNet: Point Cloud Autoencoder to Learn Topology-Friendly Representations [20.318695890515613]
  本稿では,固定長ディスクリプタを用いたポイントクラウドの表現に挑戦する自動エンコーダTearingNetを提案する。 我々のTeringNetは、提案されたTeringネットワークモジュールと、相互に反復的に相互作用するFoldingネットワークモジュールによって特徴付けられる。 実験は、点雲の再構成や、ベンチマークよりもトポロジに優しい表現を生成するという点で、我々の提案の優位性を示している。
  論文  参考訳（メタデータ） (2020-06-17T22:42:43Z)
• Point Cloud Completion by Skip-attention Network with Hierarchical Folding [61.59710288271434]
  本研究では,3Dポイントクラウド補完のためのSkip-Attention Network (SA-Net)を提案する。 まず,不完全点雲の局所構造を効果的に活用するためのスキップアテンション機構を提案する。 第二に、異なる解像度でスキップアテンション機構によって符号化された選択された幾何情報を完全に活用するために、新しい構造保存デコーダを提案する。
  論文  参考訳（メタデータ） (2020-05-08T06:23:51Z)

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。