論文の概要: Representation Learning of Point Cloud Upsampling in Global and Local Inputs

• arxiv url: http://arxiv.org/abs/2501.07076v1
• Date: Mon, 13 Jan 2025 06:13:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-14 14:28:16.344758
• Title: Representation Learning of Point Cloud Upsampling in Global and Local Inputs
• Title（参考訳）: グローバルおよびローカル入力における点群アップサンプリングの表現学習
• Authors: Tongxu Zhang, Bei Wang,
• Abstract要約: 本研究では,表現学習を通して,点雲のアップサンプリングがグローバルレベルとローカルレベルの両方に与える影響について検討した。 目標は、グローバルとローカルの両方のインプットから事前の知識を活用することで、ポイントクラウドにおけるスパーシリティとノイズの問題に対処することである。 深層学習を利用した一連のオートエンコーダモデルを用いて実験を行い,グローバル入力とローカル入力の両方で解釈可能性を得た。
• 参考スコア（独自算出の注目度）: 1.4045865137356779
• License:
• Abstract: In recent years, point cloud upsampling has been widely applied in fields such as 3D reconstruction. Our study investigates the factors influencing point cloud upsampling on both global and local levels through representation learning. Specifically, the paper inputs global and local information of the same point cloud model object into two encoders to extract these features, fuses them, and then feeds the combined features into an upsampling decoder. The goal is to address issues of sparsity and noise in point clouds by leveraging prior knowledge from both global and local inputs. And the proposed framework can be applied to any state-of-the-art point cloud upsampling neural network. Experiments were conducted on a series of autoencoder-based models utilizing deep learning, yielding interpretability for both global and local inputs, and it has been proven in the results that our proposed framework can further improve the upsampling effect in previous SOTA works. At the same time, the Saliency Map reflects the differences between global and local feature inputs, as well as the effectiveness of training with both inputs in parallel.
• Abstract（参考訳）: 近年,3次元再構成などの分野において,点雲のアップサンプリングが広く行われている。 本研究では,表現学習を通して,点雲のアップサンプリングがグローバルレベルとローカルレベルの両方に与える影響について検討した。 具体的には、同一点のクラウドモデルオブジェクトのグローバルおよびローカル情報を2つのエンコーダに入力し、これらの特徴を抽出し、融合させ、それらを結合した特徴をアップサンプリングデコーダに供給する。 目標は、グローバルとローカルの両方のインプットから事前の知識を活用することで、ポイントクラウドにおけるスパーシリティとノイズの問題に対処することである。 そして、提案されたフレームワークは、最先端のクラウドサンプリングニューラルネットワークに適用できる。 深層学習を利用した一連のオートエンコーダモデルを用いて実験を行い、グローバルおよびローカルの両方の入力に対する解釈可能性を得た結果、提案手法が従来のSOTA作業におけるアップサンプリング効果をさらに向上できることが証明された。 同時に、Saliency Mapは、グローバルな特徴入力とローカルな特徴入力の違いを反映し、両方の入力を並列にトレーニングする効果も反映している。

関連論文リスト

• Asynchronous Feedback Network for Perceptual Point Cloud Quality Assessment [18.65004981045047]
  非同期フィードバック品質予測ネットワーク(AFQ-Net)を提案する。 AFQ-Netは人間の視覚知覚機構に動機付けられ、グローバルな特徴や局所的な特徴を扱うために二重ブランチ構造を採用している。 3つのデータセットに関する総合的な実験を行い、最先端のアプローチよりも優れた性能を実現する。
  論文  参考訳（メタデータ） (2024-07-13T08:52:44Z)
• InvariantOODG: Learning Invariant Features of Point Clouds for Out-of-Distribution Generalization [17.96808017359983]
  本稿では,異なる分布を持つ点雲間の不変性を学習するInvariantOODGを提案する。 学習可能なアンカーポイントの集合を定義し、最も有用な局所領域と入力点の雲を増大させる2種類の変換を定義する。 実験により,提案モデルが3次元領域一般化ベンチマークに与える影響を実証した。
  論文  参考訳（メタデータ） (2024-01-08T09:41:22Z)
• Learning Continuous Implicit Field with Local Distance Indicator for Arbitrary-Scale Point Cloud Upsampling [55.05706827963042]
  点雲アップサンプリングは、疎点雲から密度が高く均一に分散した点集合を生成することを目的としている。 従来のメソッドは通常、スパースポイントクラウドをいくつかのローカルパッチ、アップサンプルパッチポイント、すべてのアップサンプルパッチにマージする。 そこで本研究では,点雲のアップサンプリングのために,局所的な先行者によって導かれる符号のない距離場を学習する手法を提案する。
  論文  参考訳（メタデータ） (2023-12-23T01:52:14Z)
• Bidirectional Knowledge Reconfiguration for Lightweight Point Cloud Analysis [74.00441177577295]
  ポイントクラウド分析は計算システムのオーバーヘッドに直面し、モバイルやエッジデバイスでの利用を制限する。 本稿では,軽量点雲モデルのための特徴蒸留について検討する。 本研究では,教師から生徒への情報的文脈的知識を抽出するための双方向知識再構成を提案する。
  論文  参考訳（メタデータ） (2023-10-08T11:32:50Z)
• 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)
• OMNet: Learning Overlapping Mask for Partial-to-Partial Point Cloud Registration [31.108056345511976]
  OMNetは、部分から部分へのポイントクラウド登録のためのグローバル機能ベースの反復ネットワークです。 マスクを粗雑に学習し,重複しない領域を拒絶し,部分から部分への登録を同一形状の登録に変換する。
  論文  参考訳（メタデータ） (2021-03-01T11:59:59Z)
• 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)
• Self-Sampling for Neural Point Cloud Consolidation [83.31236364265403]
  本稿では,入力点クラウドのみから学習するニューラルポイントクラウドの統合技術を紹介する。 入力ポイントクラウドを、ディープニューラルネットワークのトレーニングに使用するグローバルサブセットで、繰り返し自己サンプルします。 様々な形状から点集合を集約する能力を示すとともに,出力器やノイズを除去する能力を示す。
  論文  参考訳（メタデータ） (2020-08-14T17:16:02Z)
• A Rotation-Invariant Framework for Deep Point Cloud Analysis [132.91915346157018]
  ネットワーク入力時に一般的な3次元カルト座標を置き換えるために,新しい低レベル純粋回転不変表現を導入する。 また,これらの表現を特徴に組み込むネットワークアーキテクチャを提案し,点とその近傍の局所的関係とグローバルな形状構造を符号化する。 本手法は, 形状分類, 部分分割, 形状検索を含む多点雲解析タスクにおいて評価する。
  論文  参考訳（メタデータ） (2020-03-16T14:04:45Z)
• An Explicit Local and Global Representation Disentanglement Framework with Applications in Deep Clustering and Unsupervised Object Detection [9.609936822226633]
  我々はSPLITと呼ばれるフレームワークを提案し、ローカルおよびグローバルな情報を解き放つことができる。 我々のフレームワークは、可変オートエンコーダ(VAE)フレームワークに生成仮定を追加する。 このフレームワークは,これらのモデル内の局所的およびグローバル的情報を効果的に切り離すことができることを示す。
  論文  参考訳（メタデータ） (2020-01-24T12:09:20Z)

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。