論文の概要: Hyperbolic Chamfer Distance for Point Cloud Completion and Beyond
- arxiv url: http://arxiv.org/abs/2412.17951v1
- Date: Mon, 23 Dec 2024 20:04:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-25 15:55:12.914837
- Title: Hyperbolic Chamfer Distance for Point Cloud Completion and Beyond
- Title（参考訳）: ポイントクラウドコンプリートのための双曲型チャンファー距離
- Authors: Fangzhou Lin, Songlin Hou, Haotian Liu, Shang Gao, Kazunori D Yamada, Haichong K. Zhang, Ziming Zhang,
- Abstract要約: チャンファー距離(CD)は、外れ値の存在に対して脆弱である。
Hyperbolic Chamfer Distance (HyperCD)は、ポイントクラウド完了タスク用に特別に設計された。
- 参考スコア（独自算出の注目度）: 18.802664517825132
- License:
- Abstract: Chamfer Distance (CD) is widely used as a metric to quantify difference between two point clouds. In point cloud completion, Chamfer Distance (CD) is typically used as a loss function in deep learning frameworks. However, it is generally acknowledged within the field that Chamfer Distance (CD) is vulnerable to the presence of outliers, which can consequently lead to the convergence on suboptimal models. In divergence from the existing literature, which largely concentrates on resolving such concerns in the realm of Euclidean space, we put forth a notably uncomplicated yet potent metric specifically designed for point cloud completion tasks: {Hyperbolic Chamfer Distance (HyperCD)}. This metric conducts Chamfer Distance computations within the parameters of hyperbolic space. During the backpropagation process, HyperCD systematically allocates greater weight to matched point pairs exhibiting reduced Euclidean distances. This mechanism facilitates the preservation of accurate point pair matches while permitting the incremental adjustment of suboptimal matches, thereby contributing to enhanced point cloud completion outcomes. Moreover, measure the shape dissimilarity is not solely work for point cloud completion task, we further explore its applications in other generative related tasks, including single image reconstruction from point cloud, and upsampling. We demonstrate state-of-the-art performance on the point cloud completion benchmark datasets, PCN, ShapeNet-55, and ShapeNet-34, and show from visualization that HyperCD can significantly improve the surface smoothness, we also provide the provide experimental results beyond completion task.
- Abstract（参考訳）: チャンファー距離(CD)は、2つの点雲間の差を定量化するための計量として広く用いられている。
ポイントクラウドの補完において、CD(Chamfer Distance)は一般的にディープラーニングフレームワークの損失関数として使用される。
しかしながら、一般的には、チャンファー距離 (CD) が外れ値の存在に弱いことが認識されており、結果として準最適モデルへの収束につながる可能性がある。
ユークリッド空間の領域におけるそのような関心事の解決に主に焦点をあてる既存の文献とは異なって、我々は点雲完了タスクに特化して設計された、非常に複雑で強力な計量を提唱した: {Hyperbolic Chamfer Distance (HyperCD)}。
この計量は双曲空間のパラメータ内でチャンファー距離計算を行う。
バックプロパゲーション過程において、HyperCDはユークリッド距離の減少を示す一致した点対に対して、体系的により大きな重量を割り当てる。
この機構は、最適以下の一致の漸進的な調整を可能にしつつ、正確な点対一致の保存を容易にし、点雲完了結果の増大に寄与する。
さらに, 形状の相似性を測定することは, 点雲完了タスクに限らず, 点雲からの単一画像再構成やアップサンプリングなど, その他の生成的タスクへの応用についても検討する。
我々は、ポイントクラウド補完ベンチマークデータセット、PCN、ShapeNet-55、ShapeNet-34の最先端性能を実証し、HyperCDが表面の滑らか性を大幅に改善できることを示すとともに、完了タスクを超えて実験結果を提供する。
関連論文リスト
- Fully-Geometric Cross-Attention for Point Cloud Registration [51.865371511201765]
ポイントクラウド登録のアプローチは、ノイズのあるポイント対応のため、ポイントクラウド間の重なりが低いときに失敗することが多い。
この問題に対処するTransformerベースのアーキテクチャに適した,新たなクロスアテンション機構を導入する。
我々はGromov-Wasserstein距離をクロスアテンションの定式化に統合し、異なる点雲間の点間距離を共同計算する。
点レベルでは,局所的な幾何学的構造情報を細かなマッチングのための点特徴に集約する自己認識機構も考案する。
論文 参考訳（メタデータ） (2025-02-12T10:44:36Z) - Efficient Point Clouds Upsampling via Flow Matching [16.948354780275388]
既存の拡散モデルは、ガウスノイズを実点雲にマップするときに非効率で苦労する。
本研究では,スパース点雲を高忠実度密度の雲に直接マッピングする流れマッチング手法PUFMを提案する。
本手法はより優れたアップサンプリング品質を提供するが,サンプリングステップは少ない。
論文 参考訳（メタデータ） (2025-01-25T17:50:53Z) - MBPU: A Plug-and-Play State Space Model for Point Cloud Upsamping with Fast Point Rendering [7.751874339957304]
我々は,Mambaアーキテクチャ上に構築されたMBPUというネットワークを導入する。
我々は同時に3次元位置ずれと1次元ポイント・ツー・ポイント距離を回帰量として予測し、グローバルな特徴を制約する。
高速点描画の利点により、MBPUは表面ノイズを効果的に排除し、高品質なアップサンプリングされた点雲が得られることに注意されたい。
論文 参考訳（メタデータ） (2024-10-21T12:13:43Z) - Point Cloud Pre-training with Diffusion Models [62.12279263217138]
我々は、ポイントクラウド拡散事前学習(PointDif)と呼ばれる新しい事前学習手法を提案する。
PointDifは、分類、セグメンテーション、検出など、さまざまな下流タスクのために、さまざまな現実世界のデータセット間で大幅に改善されている。
論文 参考訳（メタデータ） (2023-11-25T08:10:05Z) - Arbitrary point cloud upsampling via Dual Back-Projection Network [12.344557879284219]
ポイントクラウドアップサンプリング(DBPnet)のためのデュアルバックプロジェクションネットワークを提案する。
デュアルバックプロジェクションは、ポイントクラウドアップサンプリングのためのアップアップアップ方式で定式化される。
実験の結果,提案手法は最小の点集合の損失を達成できることがわかった。
論文 参考訳（メタデータ） (2023-07-18T06:11:09Z) - 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) - A Conditional Point Diffusion-Refinement Paradigm for 3D Point Cloud
Completion [69.32451612060214]
実スキャンされた3Dポイントクラウドはしばしば不完全であり、下流アプリケーションのために完全なポイントクラウドを復元することが重要である。
ほとんどの既存のポイントクラウド補完方法は、トレーニングにチャンファー距離(CD)損失を使用する。
本稿では,点雲完了のためのPDR(Point Diffusion-Refinement)パラダイムを提案する。
論文 参考訳（メタデータ） (2021-12-07T06:59:06Z) - Point Cloud Completion by Learning Shape Priors [74.80746431691938]
形状の先行には、完全点雲と部分点雲の両方の幾何学的情報が含まれる。
完全点から先行する形状を学習するための特徴アライメント戦略を設計し、微細な段階で部分的な事前を組み込むための粗い微妙な戦略を設計する。
我々はポイントクラウド完了タスクで最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2020-08-02T04:00:32Z) - Pseudo-LiDAR Point Cloud Interpolation Based on 3D Motion Representation
and Spatial Supervision [68.35777836993212]
我々はPseudo-LiDAR点雲ネットワークを提案し、時間的および空間的に高品質な点雲列を生成する。
点雲間のシーンフローを活用することにより,提案ネットワークは3次元空間運動関係のより正確な表現を学習することができる。
論文 参考訳（メタデータ） (2020-06-20T03:11:04Z)
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。