論文の概要: Digging into Intrinsic Contextual Information for High-fidelity 3D Point Cloud Completion
- arxiv url: http://arxiv.org/abs/2412.08326v1
- Date: Wed, 11 Dec 2024 12:09:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-12 14:02:21.307244
- Title: Digging into Intrinsic Contextual Information for High-fidelity 3D Point Cloud Completion
- Title(参考訳): 高忠実度3Dポイントクラウドコンプリートのための固有コンテキスト情報へのDigg
- Authors: Jisheng Chu, Wenrui Li, Xingtao Wang, Kanglin Ning, Yidan Lu, Xiaopeng Fan,
- Abstract要約: そこで本研究では,細部における部分点雲からの短・長距離コンテキスト情報の両方を掘り下げる高忠実なPCC手法を提案する。
表面凍結モジュールは、ノイズのない部分点雲から障害に対してポイントを保護する。
- 参考スコア(独自算出の注目度): 14.932595796358134
- License:
- Abstract: The common occurrence of occlusion-induced incompleteness in point clouds has made point cloud completion (PCC) a highly-concerned task in the field of geometric processing. Existing PCC methods typically produce complete point clouds from partial point clouds in a coarse-to-fine paradigm, with the coarse stage generating entire shapes and the fine stage improving texture details. Though diffusion models have demonstrated effectiveness in the coarse stage, the fine stage still faces challenges in producing high-fidelity results due to the ill-posed nature of PCC. The intrinsic contextual information for texture details in partial point clouds is the key to solving the challenge. In this paper, we propose a high-fidelity PCC method that digs into both short and long-range contextual information from the partial point cloud in the fine stage. Specifically, after generating the coarse point cloud via a diffusion-based coarse generator, a mixed sampling module introduces short-range contextual information from partial point clouds into the fine stage. A surface freezing modules safeguards points from noise-free partial point clouds against disruption. As for the long-range contextual information, we design a similarity modeling module to derive similarity with rigid transformation invariance between points, conducting effective matching of geometric manifold features globally. In this way, the high-quality components present in the partial point cloud serve as valuable references for refining the coarse point cloud with high fidelity. Extensive experiments have demonstrated the superiority of the proposed method over SOTA competitors. Our code is available at https://github.com/JS-CHU/ContextualCompletion.
- Abstract(参考訳): 点雲における閉塞誘起不完全性の一般的な発生は、点雲完備化(PCC)を幾何学的処理の分野における高精細な課題にしている。
既存のPCC法は、通常、粗い〜細いパラダイムで部分点雲から完全な点雲を生成し、粗いステージは全体形状を生成し、細かいステージはテクスチャの詳細を改善している。
拡散モデルは粗い段階では有効性を示してきたが、PCCの不良な性質のため、微細な段階は依然として高い忠実度が得られるという課題に直面している。
部分点雲におけるテクスチャの詳細に関する本質的な文脈情報は、この課題を解決する鍵となる。
本稿では,細かな段階における部分点雲からの近距離・近距離両方の文脈情報を掘り下げる高忠実PCC法を提案する。
具体的には、拡散ベースの粗い発生器を介して粗い点雲を生成した後、混合サンプリングモジュールは、部分点雲からの短距離コンテキスト情報を微細なステージに導入する。
表面凍結モジュールは、ノイズのない部分点雲から障害に対してポイントを保護する。
長距離文脈情報については、点間の厳密な変換不変性と類似性を導出する類似性モデリングモジュールを設計し、世界中の幾何学多様体の特徴を効果的にマッチングする。
このようにして、部分点雲に存在する高品質な成分は、粗い点雲を高い忠実度で精製するための貴重な参照となる。
大規模な実験により,SOTAの競合相手よりも提案手法の方が優れていることが示された。
私たちのコードはhttps://github.com/JS-CHU/ContextualCompletionで利用可能です。
関連論文リスト
- Rendering-Oriented 3D Point Cloud Attribute Compression using Sparse Tensor-based Transformer [52.40992954884257]
3D視覚化技術は、私たちがデジタルコンテンツと対話する方法を根本的に変えてきた。
ポイントクラウドの大規模データサイズは、データ圧縮において大きな課題を呈している。
そこで我々はPCACと差別化可能なレンダリングをシームレスに統合するエンドツーエンドのディープラーニングフレームワークを提案する。
論文 参考訳(メタデータ) (2024-11-12T16:12:51Z) - P2C: Self-Supervised Point Cloud Completion from Single Partial Clouds [44.02541315496045]
ポイント雲の完成は、部分的な観測に基づいて完全な形状を復元することを目的としている。
既存の手法では、学習には完全な点雲か、同じ物体の複数の部分的な観察が必要である。
Part2Completeは、ポイントクラウドオブジェクトを補完する最初の自己管理型フレームワークです。
論文 参考訳(メタデータ) (2023-07-27T09:31:01Z) - GRASP-Net: Geometric Residual Analysis and Synthesis for Point Cloud
Compression [16.98171403698783]
損失点クラウド幾何圧縮のための深層学習を用いた異種アプローチを提案する。
具体的には、粗い点雲上に存在する不規則な特徴に局所的詳細を変換するために、点ベースネットワークを適用する。
論文 参考訳(メタデータ) (2022-09-09T17:09:02Z) - CompleteDT: Point Cloud Completion with Dense Augment Inference
Transformers [14.823742295692856]
ポイントクラウド補完タスクは、不完全なポイントクラウドの欠如を予測し、詳細でポイントクラウドを生成することを目的としている。
本稿では,変換器をベースとした新しいポイントクラウドコンプリートネットワークであるCompleteDTを提案する。
論文 参考訳(メタデータ) (2022-05-30T11:17:31Z) - 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) - 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) - PoinTr: Diverse Point Cloud Completion with Geometry-Aware Transformers [81.71904691925428]
本稿では,ポイントクラウドの完了をセット・ツー・セットの翻訳問題として再定義する手法を提案する。
我々はまた、ポイントクラウド補完のためにトランスフォーマーエンコーダデコーダアーキテクチャを採用するPoinTrと呼ばれる新しいモデルも設計している。
提案手法は,新しいベンチマークと既存ベンチマークの両方において,最先端の手法よりも優れた性能を示す。
論文 参考訳(メタデータ) (2021-08-19T17:58:56Z) - 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) - Cascaded Refinement Network for Point Cloud Completion [74.80746431691938]
本稿では,細かな物体形状を合成するための粗大な戦略とともに,カスケード型精細化ネットワークを提案する。
部分入力の局所的な詳細と大域的な形状情報を合わせて考えると、既存の詳細を不完全点集合に保存することができる。
また、各局所領域が同じパターンと基底的真理を持つことを保証し、複雑な点分布を学習するパッチ判別器を設計する。
論文 参考訳(メタデータ) (2020-04-07T13:03:29Z)
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。