論文の概要: Imagine with the Teacher: Complete Shape in a Multi-View Distillation Way

• arxiv url: http://arxiv.org/abs/2501.19270v1
• Date: Fri, 31 Jan 2025 16:29:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-03 14:01:41.238019
• Title: Imagine with the Teacher: Complete Shape in a Multi-View Distillation Way
• Title（参考訳）: 教師に想像してみよう:多視点蒸留法における完全な形状
• Authors: Zhanpeng Luo, Linna Wang, Guangwu Qian, Li Lu,
• Abstract要約: 点雲の完成は、その部分的な観測から物体の3次元形状を復元することを目的としている。 本稿では,多視点蒸留方式で完成問題を解決する新しいビュー蒸留ポイントコンプリートネットワーク(VD-PCN)を提案する。
• 参考スコア（独自算出の注目度）: 5.50886345709908
• License:
• Abstract: Point cloud completion aims to recover the completed 3D shape of an object from its partial observation caused by occlusion, sensor's limitation, noise, etc. When some key semantic information is lost in the incomplete point cloud, the neural network needs to infer the missing part based on the input information. Intuitively we would apply an autoencoder architecture to solve this kind of problem, which take the incomplete point cloud as input and is supervised by the ground truth. This process that develops model's imagination from incomplete shape to complete shape is done automatically in the latent space. But the knowledge for mapping from incomplete to complete still remains dark and could be further explored. Motivated by the knowledge distillation's teacher-student learning strategy, we design a knowledge transfer way for completing 3d shape. In this work, we propose a novel View Distillation Point Completion Network (VD-PCN), which solve the completion problem by a multi-view distillation way. The design methodology fully leverages the orderliness of 2d pixels, flexibleness of 2d processing and powerfulness of 2d network. Extensive evaluations on PCN, ShapeNet55/34, and MVP datasets confirm the effectiveness of our design and knowledge transfer strategy, both quantitatively and qualitatively. Committed to facilitate ongoing research, we will make our code publicly available.
• Abstract（参考訳）: 点雲の完成は、物体の完成した3次元形状を、閉塞、センサーの限界、騒音などによる部分的な観察から回復することを目的としている。 不完全なポイントクラウドでキーセマンティック情報が失われると、ニューラルネットワークは入力情報に基づいて欠落した部分を推測する必要がある。 直感的には、このような問題を解決するためにオートエンコーダアーキテクチャを適用します。 不完全な形状から完全な形状へのモデルの想像力を発達させるこのプロセスは、潜在空間で自動的に行われる。 しかし、不完全から完全へのマッピングに関する知識は依然として暗く残っており、さらに探究することができる。 知識蒸留の教師・学生学習戦略に動機付けられ、3次元形状を完遂する知識伝達手法を設計する。 本研究では,多視点蒸留方式で完成問題を解決する新しいビュー蒸留ポイントコンプリートネットワーク(VD-PCN)を提案する。 設計手法は, 2d ピクセルの順序性, 2d 処理の柔軟性, 2d ネットワークの強みを十分に活用する。 PCN,ShapeNet55/34,MVPデータセットの大規模評価により,設計および知識伝達戦略の有効性が定量的および定性的に検証された。 進行中の研究を促進するために、コードを公開するつもりです。

関連論文リスト

• Self-supervised 3D Point Cloud Completion via Multi-view Adversarial Learning [61.14132533712537]
  我々は、オブジェクトレベルとカテゴリ固有の幾何学的類似性の両方を効果的に活用するフレームワークであるMAL-SPCを提案する。 私たちのMAL-SPCは3Dの完全な監視を一切必要とせず、各オブジェクトに1つの部分点クラウドを必要とするだけです。
  論文  参考訳（メタデータ） (2024-07-13T06:53:39Z)
• HVDistill: Transferring Knowledge from Images to Point Clouds via Unsupervised Hybrid-View Distillation [106.09886920774002]
  本稿では,HVDistillと呼ばれるハイブリッドビューに基づく知識蒸留フレームワークを提案する。 提案手法は,スクラッチからトレーニングしたベースラインに対して一貫した改善を実現し,既存のスキームを大幅に上回っている。
  論文  参考訳（メタデータ） (2024-03-18T14:18:08Z)
• Cross-Modal Information-Guided Network using Contrastive Learning for Point Cloud Registration [17.420425069785946]
  本稿では,ポイントクラウド登録のための新しいCross-Modal Information-Guided Network(CMIGNet)を提案する。 まず,点雲から投影された画像を取り込んで,アテンション機構を用いてモーダルな特徴を融合する。 コントラスト学習戦略は2つあり、すなわち、コントラスト学習とクロスモーダルコントラスト学習が重なり合う。
  論文  参考訳（メタデータ） (2023-11-02T12:56:47Z)
• PointMCD: Boosting Deep Point Cloud Encoders via Multi-view Cross-modal Distillation for 3D Shape Recognition [55.38462937452363]
  本稿では,教師として事前訓練されたディープイメージエンコーダ,学生としてディープポイントエンコーダを含む多視点クロスモーダル蒸留アーキテクチャを提案する。 複数ビューの視覚的および幾何学的記述子をペアワイズにアライメントすることで、より強力なディープポイントエンコーダを、疲労や複雑なネットワーク修正を伴わずに得ることができる。
  論文  参考訳（メタデータ） (2022-07-07T07:23:20Z)
• CrossPoint: Self-Supervised Cross-Modal Contrastive Learning for 3D Point Cloud Understanding [2.8661021832561757]
  CrossPointは、転送可能な3Dポイントクラウド表現を学習するための、単純なクロスモーダルコントラスト学習アプローチである。 提案手法は,従来の教師なし学習手法よりも,3次元オブジェクト分類やセグメンテーションなど,さまざまな下流タスクにおいて優れていた。
  論文  参考訳（メタデータ） (2022-03-01T18:59:01Z)
• Point Discriminative Learning for Unsupervised Representation Learning on 3D Point Clouds [54.31515001741987]
  3次元点雲上での教師なし表現学習のための点識別学習法を提案する。 我々は、中間レベルとグローバルレベルの特徴に新しい点識別損失を課すことにより、これを達成した。 提案手法は強力な表現を学習し,新しい最先端性能を実現する。
  論文  参考訳（メタデータ） (2021-08-04T15:11:48Z)
• CarveNet: Carving Point-Block for Complex 3D Shape Completion [27.65423395944538]
  3次元点雲の完成は複雑な3次元形状の正確な理解に大きく依存している。 複雑な3Dポイントクラウドを実現するために,CarveNetという新しいネットワークアーキテクチャを提案する。 データセット上では、CarveNetは最先端のメソッドよりもパフォーマンスがよい。
  論文  参考訳（メタデータ） (2021-07-28T16:07:20Z)
• PMP-Net: Point Cloud Completion by Learning Multi-step Point Moving Paths [54.459879603473034]
  我々はPMP-Netと呼ばれる新しいニューラルネットワークを設計し、地球移動体の動作を模倣する。 不完全な入力の各点を移動させ、ポイントクラウドを完結させ、ポイント移動パスの合計距離が最も短くなる。 点レベルの厳密でユニークな対応を学習し、不完全な形状と完全なターゲットの間の詳細なトポロジーと構造的関係を捉えることができる。
  論文  参考訳（メタデータ） (2020-12-07T01:34:38Z)
• Cascaded Refinement Network for Point Cloud Completion with Self-supervision [74.80746431691938]
  形状整形のための2分岐ネットワークを提案する。 第1分枝は、完全なオブジェクトを合成するためのカスケード形状補完サブネットワークである。 第2のブランチは、元の部分入力を再構築する自動エンコーダである。
  論文  参考訳（メタデータ） (2020-10-17T04:56:22Z)

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。