論文の概要: DC-PCN: Point Cloud Completion Network with Dual-Codebook Guided Quantization

• arxiv url: http://arxiv.org/abs/2501.10966v1
• Date: Sun, 19 Jan 2025 06:57:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-22 14:25:11.150630
• Title: DC-PCN: Point Cloud Completion Network with Dual-Codebook Guided Quantization
• Title（参考訳）: DC-PCN:デュアルコードブックガイド量子化によるポイントクラウドコンプリートネットワーク
• Authors: Qiuxia Wu, Haiyang Huang, Kunming Su, Zhiyong Wang, Kun Hu,
• Abstract要約: ポイントクラウドの完成は、部分的な3Dポイントクラウドから完全な3D形状を再構築することを目的としている。 我々は、新しいポイントクラウドコンプリートネットワーク、すなわちDual-Codebook Point Completion Network(DC-PCN)を導入する。 DC-PCNはエンコーダ・コードブックとデコーダ・コードブックで構成される。
• 参考スコア（独自算出の注目度）: 16.57261414187004
• License:
• Abstract: Point cloud completion aims to reconstruct complete 3D shapes from partial 3D point clouds. With advancements in deep learning techniques, various methods for point cloud completion have been developed. Despite achieving encouraging results, a significant issue remains: these methods often overlook the variability in point clouds sampled from a single 3D object surface. This variability can lead to ambiguity and hinder the achievement of more precise completion results. Therefore, in this study, we introduce a novel point cloud completion network, namely Dual-Codebook Point Completion Network (DC-PCN), following an encder-decoder pipeline. The primary objective of DC-PCN is to formulate a singular representation of sampled point clouds originating from the same 3D surface. DC-PCN introduces a dual-codebook design to quantize point-cloud representations from a multilevel perspective. It consists of an encoder-codebook and a decoder-codebook, designed to capture distinct point cloud patterns at shallow and deep levels. Additionally, to enhance the information flow between these two codebooks, we devise an information exchange mechanism. This approach ensures that crucial features and patterns from both shallow and deep levels are effectively utilized for completion. Extensive experiments on the PCN, ShapeNet\_Part, and ShapeNet34 datasets demonstrate the state-of-the-art performance of our method.
• Abstract（参考訳）: ポイントクラウドの完成は、部分的な3Dポイントクラウドから完全な3D形状を再構築することを目的としている。 深層学習技術の進歩により,ポイントクラウド完成のための様々な手法が開発されている。 これらの手法は、単一の3Dオブジェクト表面からサンプリングされた点雲の変動性をしばしば見落としている。 この変動は曖昧さを招き、より正確な完了結果の達成を妨げる可能性がある。 そこで本研究では,エンコーダ・デコーダ・パイプラインに従って,新たなポイント・クラウド・コンプリート・ネットワークであるDual-Codebook Point Completion Network(DC-PCN)を導入する。 DC-PCNの主な目的は、同じ3次元表面から生じるサンプル点雲の特異表現を定式化することである。 DC-PCNは、マルチレベルの観点からポイントクラウド表現を定量化するデュアルコードブック設計を導入している。 エンコーダ・コードブックとデコーダ・コードブックで構成されており、浅い層と深い層で異なるポイント・クラウド・パターンを捉えるように設計されている。 さらに,これら2つのコードブック間の情報フローを向上させるため,情報交換機構を考案した。 このアプローチは、浅層と深層の両方から重要な特徴とパターンを効果的に活用することを保証する。 PCN,ShapeNet\_Part,ShapeNet34データセットの大規模な実験により,本手法の最先端性能が示された。

関連論文リスト

• PIVOT-Net: Heterogeneous Point-Voxel-Tree-based Framework for Point Cloud Compression [8.778300313732027]
  異種クラウド圧縮(PCC)フレームワークを提案する。 私たちは、典型的なポイントクラウド表現 -- ポイントベース、ボクセルベース、ツリーベース表現 -- と関連するバックボーンを統一します。 本稿では,デコードのためのコンテキスト対応アップサンプリングと,機能集約のための拡張ボクセルトランスフォーマーによりフレームワークを増強する。
  論文  参考訳（メタデータ） (2024-02-11T16:57:08Z)
• Variational Relational Point Completion Network for Robust 3D Classification [59.80993960827833]
  可変点雲補完法は、局所的な詳細を欠くため、大域的な形状の骨格を生成する傾向がある。 本稿では2つの魅力的な特性を持つ変分フレームワークであるポイントコンプリートネットワーク(VRCNet)を提案する。 VRCNetは、現実世界のポイントクラウドスキャンにおいて、非常に一般化性と堅牢性を示している。
  論文  参考訳（メタデータ） (2023-04-18T17:03:20Z)
• 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)
• 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)
• Deep Point Cloud Reconstruction [74.694733918351]
  3Dスキャンから得られる点雲は、しばしばスパース、ノイズ、不規則である。 これらの問題に対処するため、最近の研究は別々に行われ、不正確な点雲を密度化、復調し、完全な不正確な点雲を観測している。 本研究では,1) 初期密度化とデノナイズのための3次元スパース集積時間ガラスネットワーク,2) 離散ボクセルを3Dポイントに変換するトランスフォーマーによる改良,の2段階からなる深部点雲再構成ネットワークを提案する。
  論文  参考訳（メタデータ） (2021-11-23T07:53:28Z)
• ParaNet: Deep Regular Representation for 3D Point Clouds [62.81379889095186]
  ParaNetは、3Dポイントクラウドを表現するための新しい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である。 不規則な3D点雲を通常の2Dカラー画像に変換する。 多視点投影とボキセル化に基づく従来の正規表現法とは異なり、提案した表現は微分可能で可逆である。
  論文  参考訳（メタデータ） (2020-12-05T13:19:55Z)
• GRNet: Gridding Residual Network for Dense Point Cloud Completion [54.43648460932248]
  完全な3Dポイントクラウドを不完全なクラウドから推定することは、多くのビジョンやロボティクスアプリケーションにおいて重要な問題である。 本稿では,ポイントクラウド補完のための新しいGridding Residual Network(GRNet)を提案する。 実験結果から,提案したGRNetはShapeNet,Completion3D,KITTIベンチマークの最先端手法に対して良好に動作することがわかった。
  論文  参考訳（メタデータ） (2020-06-06T02:46:39Z)

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。