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

• arxiv url: http://arxiv.org/abs/2501.07076v3
• Date: Thu, 19 Jun 2025 05:03:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-23 14:57:51.29059
• 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: 本稿では,ポイントクラウドのグローバルおよびローカルな構造的特徴から明示的に学習することで,アップサンプリング性能を向上させる新しいフレームワークであるReLPUを提案する。 我々のフレームワークは、最先端のオートエンコーダベースのネットワークに適用され、標準データセット上で検証された。
• 参考スコア（独自算出の注目度）: 1.4045865137356779
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In recent years, point cloud upsampling has been widely applied in tasks such as 3D reconstruction and object recognition. This study proposed a novel framework, ReLPU, which enhances upsampling performance by explicitly learning from both global and local structural features of point clouds. Specifically, we extracted global features from uniformly segmented inputs (Average Segments) and local features from patch-based inputs of the same point cloud. These two types of features were processed through parallel autoencoders, fused, and then fed into a shared decoder for upsampling. This dual-input design improved feature completeness and cross-scale consistency, especially in sparse and noisy regions. Our framework was applied to several state-of-the-art autoencoder-based networks and validated on standard datasets. Experimental results demonstrated consistent improvements in geometric fidelity and robustness. In addition, saliency maps confirmed that parallel global-local learning significantly enhanced the interpretability and performance of point cloud upsampling.
• Abstract（参考訳）: 近年,3次元再構成や物体認識などのタスクにおいて,点群アップサンプリングが広く適用されている。 本研究では,ポイントクラウドのグローバルおよびローカルな構造的特徴から明示的に学習することで,アップサンプリング性能を向上させる新しいフレームワークであるReLPUを提案する。 具体的には、一様に区分けされた入力(平均セグメント)からグローバルな特徴を抽出し、同じ点クラウドのパッチベースの入力から局所的な特徴を抽出した。 これら2種類の機能は並列オートエンコーダによって処理され、融合され、アップサンプリングのために共有デコーダに供給される。 このデュアルインプット設計は、特にスパース領域とノイズ領域において、機能の完全性とクロススケール一貫性を改善した。 我々のフレームワークは、最先端のオートエンコーダベースのネットワークに適用され、標準データセット上で検証された。 実験の結果, 幾何的忠実度とロバスト性は一貫した改善が認められた。 さらに、並列なグローバルローカル学習により、ポイントクラウドアップサンプリングの解釈可能性や性能が大幅に向上することが、サリエンシマップで確認された。

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)
• Mitigating Prior Shape Bias in Point Clouds via Differentiable Center Learning [19.986150101882217]
  微分可能中心サンプリングネットワーク(DCS-Net)と呼ばれる新しいソリューションを導入する。 グローバルな特徴再構成とローカルな特徴再構成の両方を非自明なプロキシタスクとして組み込むことで,情報漏洩問題に対処する。 実験により,本手法は既存の点雲モデルの表現能力を向上することを示した。
  論文  参考訳（メタデータ） (2024-02-03T08:58:23Z)
• 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。