論文の概要: EGP3D: Edge-guided Geometric Preserving 3D Point Cloud Super-resolution for RGB-D camera

• arxiv url: http://arxiv.org/abs/2412.11680v1
• Date: Mon, 16 Dec 2024 11:42:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-17 13:56:51.150982
• Title: EGP3D: Edge-guided Geometric Preserving 3D Point Cloud Super-resolution for RGB-D camera
• Title（参考訳）: EGP3D:RGB-Dカメラ用エッジガイド型3Dポイントクラウド超解像
• Authors: Zheng Fang, Ke Ye, Yaofang Liu, Gongzhe Li, Xianhong Zhao, Jialong Li, Ruxin Wang, Yuchen Zhang, Xiangyang Ji, Qilin Sun,
• Abstract要約: RGB-Dカメラに適したエッジガイド型3次元点雲超解像法(EGP3D)を提案する。 提案手法は,投影された2次元空間のエッジ制約を伴って点雲を革新的に最適化することにより,3次元PCSRタスクにおける高品質なエッジ保存を実現する。
• 参考スコア（独自算出の注目度）: 42.84553578230384
• License:
• Abstract: Point clouds or depth images captured by current RGB-D cameras often suffer from low resolution, rendering them insufficient for applications such as 3D reconstruction and robots. Existing point cloud super-resolution (PCSR) methods are either constrained by geometric artifacts or lack attention to edge details. To address these issues, we propose an edge-guided geometric-preserving 3D point cloud super-resolution (EGP3D) method tailored for RGB-D cameras. Our approach innovatively optimizes the point cloud with an edge constraint on a projected 2D space, thereby ensuring high-quality edge preservation in the 3D PCSR task. To tackle geometric optimization challenges in super-resolution point clouds, particularly preserving edge shapes and smoothness, we introduce a multi-faceted loss function that simultaneously optimizes the Chamfer distance, Hausdorff distance, and gradient smoothness. Existing datasets used for point cloud upsampling are predominantly synthetic and inadequately represent real-world scenarios, neglecting noise and stray light effects. To address the scarcity of realistic RGB-D data for PCSR tasks, we built a dataset that captures real-world noise and stray-light effects, offering a more accurate representation of authentic environments. Validated through simulations and real-world experiments, the proposed method exhibited superior performance in preserving edge clarity and geometric details.
• Abstract（参考訳）: 現在のRGB-Dカメラで捉えた点雲や深度画像は、しばしば低解像度に悩まされ、3D再構成やロボットのようなアプリケーションには不十分である。 既存の点雲超解像法(PCSR)は幾何学的アーティファクトによって制約されるか、エッジの詳細に注意を払わない。 これらの問題に対処するため,RGB-Dカメラに適したエッジガイド型3Dポイントクラウド超解像法(EGP3D)を提案する。 提案手法は,投影された2次元空間のエッジ制約を伴って点雲を革新的に最適化することにより,3次元PCSRタスクにおける高品質なエッジ保存を実現する。 超解点雲,特にエッジ形状と滑らかさの保存における幾何的最適化問題に対処するために,チャムファー距離,ハウスドルフ距離,勾配滑らかさを同時に最適化する多面的損失関数を導入する。 点雲のアップサンプリングに使われている既存のデータセットは、主に合成され、現実のシナリオを不十分に表現し、ノイズや成層光の影響を無視している。 PCSRタスクのリアルなRGB-Dデータの不足に対処するため、我々は現実のノイズと迷路効果を捉え、より正確な環境の表現を提供するデータセットを構築した。 シミュレーションと実世界の実験により検証し, エッジの明瞭度と幾何学的詳細性を維持する上で, 優れた性能を示した。

関連論文リスト

• Uplifting Range-View-based 3D Semantic Segmentation in Real-Time with Multi-Sensor Fusion [18.431017678057348]
  Range-View(RV)ベースの3Dポイントクラウドセグメンテーションは、そのコンパクトなデータ形式のために広く採用されている。 しかし、RVベースの手法は、隠蔽された点に対して堅牢なセグメンテーションを提供するには不十分である。 我々は新しいLiDARとカメラレンジビューに基づく3Dポイントクラウドセマンティックセマンティックセマンティック手法(LaCRange)を提案する。 提案手法は,リアルタイム性に加えて,nuScenesベンチマークの最先端結果も実現している。
  論文  参考訳（メタデータ） (2024-07-12T21:41:57Z)
• ANIM: Accurate Neural Implicit Model for Human Reconstruction from a single RGB-D image [40.03212588672639]
  ANIMは単視点RGB-D画像から任意の3次元形状を前例のない精度で再構成する新しい手法である。 我々のモデルは、深度情報を活用するためにピクセル整列とボクセル整列の両方の機能から幾何学的詳細を学習する。 実験によると、ANIMはRGB、表面正規、ポイントクラウド、RGB-Dデータを入力として使用する最先端の作業よりも優れている。
  論文  参考訳（メタデータ） (2024-03-15T14:45:38Z)
• ParaPoint: Learning Global Free-Boundary Surface Parameterization of 3D Point Clouds [52.03819676074455]
  ParaPointは、グローバルな自由境界面パラメータ化を実現するための教師なしのニューラルネットワークパイプラインである。 この研究は、グローバルマッピングと自由境界の両方を追求するニューラルポイントクラウドパラメータ化を調査する最初の試みである。
  論文  参考訳（メタデータ） (2024-03-15T14:35:05Z)
• TULIP: Transformer for Upsampling of LiDAR Point Clouds [32.77657816997911]
  LiDAR Upは、ロボットや自動運転車の認識システムにとって難しいタスクだ。 近年の研究では、3次元ユークリッド空間からのLiDARデータを2次元画像空間の超解像問題に変換することでこの問題を解決することを提案する。 低分解能LiDAR入力から高分解能LiDAR点雲を再構成する新しい方法であるTジオメトリを提案する。
  論文  参考訳（メタデータ） (2023-12-11T10:43:28Z)
• FrozenRecon: Pose-free 3D Scene Reconstruction with Frozen Depth Models [67.96827539201071]
  本稿では,3次元シーン再構成のための新しいテスト時間最適化手法を提案する。 本手法は5つのゼロショットテストデータセット上で,最先端のクロスデータセット再構築を実現する。
  論文  参考訳（メタデータ） (2023-08-10T17:55:02Z)
• Point2Pix: Photo-Realistic Point Cloud Rendering via Neural Radiance Fields [63.21420081888606]
  最近の放射場と拡張法は、2次元入力から現実的な画像を合成するために提案されている。 我々は3次元スパース点雲と2次元高密度画像画素を結びつけるための新しい点としてPoint2Pixを提示する。
  論文  参考訳（メタデータ） (2023-03-29T06:26:55Z)
• $PC^2$: Projection-Conditioned Point Cloud Diffusion for Single-Image 3D Reconstruction [97.06927852165464]
  単一のRGB画像から物体の3次元形状を再構築することは、コンピュータビジョンにおける長年の課題である。 条件付き偏光拡散プロセスによりスパース点雲を生成する単一像3次元再構成法を提案する。
  論文  参考訳（メタデータ） (2023-02-21T13:37:07Z)
• Points2NeRF: Generating Neural Radiance Fields from 3D point cloud [0.0]
  ニューラルラジアンス場(NeRF)として3次元物体を表現することを提案する。 ハイパーネットワークのパラダイムを活用して、モデルをトレーニングして、関連するカラー値を持つ3Dポイントクラウドを取ります。 提案手法は効率的な3次元オブジェクト表現を提供し,既存手法に対するいくつかの利点を提供する。
  論文  参考訳（メタデータ） (2022-06-02T20:23:33Z)
• VPFNet: Improving 3D Object Detection with Virtual Point based LiDAR and Stereo Data Fusion [62.24001258298076]
  VPFNetは、ポイントクラウドとイメージデータを仮想のポイントで巧みに調整し集約する新しいアーキテクチャである。 当社のVPFNetは,KITTIテストセットで83.21%の中等度3D AP,91.86%中等度BEV APを達成し,2021年5月21日以来の1位となった。
  論文  参考訳（メタデータ） (2021-11-29T08:51:20Z)

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。