論文の概要: NoKSR: Kernel-Free Neural Surface Reconstruction via Point Cloud Serialization

• arxiv url: http://arxiv.org/abs/2502.12534v1
• Date: Tue, 18 Feb 2025 04:38:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-19 14:07:09.651962
• Title: NoKSR: Kernel-Free Neural Surface Reconstruction via Point Cloud Serialization
• Title（参考訳）: NoKSR:ポイントクラウドシリアライゼーションによるカーネルフリーニューラルサーフェス再構成
• Authors: Zhen Li, Weiwei Sun, Shrisudhan Govindarajan, Shaobo Xia, Daniel Rebain, Kwang Moo Yi, Andrea Tagliasacchi,
• Abstract要約: 我々は不規則点雲を符号付き距離場(SDF)に変換する効率的なフレームワークを開発する。 付近のトークンを集約することで,ある時点でのSDF値を効率的に予測する。 複数のスケールにまたがるアグリゲーションは、シリアライゼーションによってもたらされる近似を克服するために重要であることを示す。
• 参考スコア（独自算出の注目度）: 31.537870456314796
• License:
• Abstract: We present a novel approach to large-scale point cloud surface reconstruction by developing an efficient framework that converts an irregular point cloud into a signed distance field (SDF). Our backbone builds upon recent transformer-based architectures (i.e., PointTransformerV3), that serializes the point cloud into a locality-preserving sequence of tokens. We efficiently predict the SDF value at a point by aggregating nearby tokens, where fast approximate neighbors can be retrieved thanks to the serialization. We serialize the point cloud at different levels/scales, and non-linearly aggregate a feature to predict the SDF value. We show that aggregating across multiple scales is critical to overcome the approximations introduced by the serialization (i.e. false negatives in the neighborhood). Our frameworks sets the new state-of-the-art in terms of accuracy and efficiency (better or similar performance with half the latency of the best prior method, coupled with a simpler implementation), particularly on outdoor datasets where sparse-grid methods have shown limited performance.
• Abstract（参考訳）: 本研究では、不規則点雲を符号付き距離場(SDF)に変換する効率的なフレームワークを開発することにより、大規模点雲表面の再構成を行う新しい手法を提案する。 私たちのバックボーンは、最近のトランスフォーマーベースのアーキテクチャ(PointTransformerV3)に基づいており、ポイントクラウドをローカリティ保存されたトークンシーケンスにシリアライズします。 本研究では, 近傍のトークンを集約することにより, SDF値を効率的に予測する。 我々は、ポイントクラウドを異なるレベル/スケールでシリアライズし、SDF値を予測するために機能を非線形に集約する。 複数のスケールにまたがるアグリゲーションは、シリアライゼーションによってもたらされる近似(つまり、近所の偽陰性)を克服するために重要であることを示す。 我々のフレームワークは、特にスパースグリッドメソッドが限られた性能を示した屋外データセット上で、新しい最先端の手法を精度と効率(最高の先行メソッドのレイテンシの半分のレイテンシで、あるいは類似した性能)で設定する。

関連論文リスト

• P2P-Bridge: Diffusion Bridges for 3D Point Cloud Denoising [81.92854168911704]
  私たちは、Diffusion Schr"odingerブリッジをポイントクラウドに適応させる新しいフレームワークを通じて、ポイントクラウドを飾るタスクに取り組みます。 オブジェクトデータセットの実験では、P2P-Bridgeは既存のメソッドよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2024-08-29T08:00:07Z)
• INPC: Implicit Neural Point Clouds for Radiance Field Rendering [5.64500060725726]
  現実世界のシーンを再現し、新しい視点で合成するための新しいアプローチを提案する。 本研究では,連続オクツリー型確率場とマルチ解像度ハッシュグリッドにおける点雲を暗黙的に符号化するハイブリッドシーン表現を提案する。 本手法は,対話的なフレームレートで高速な推論を実現し,さらに性能を高めるために露骨な点雲を抽出することができる。
  論文  参考訳（メタデータ） (2024-03-25T15:26:32Z)
• 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)
• Unsupervised Inference of Signed Distance Functions from Single Sparse Point Clouds without Learning Priors [54.966603013209685]
  3次元点雲から符号付き距離関数(SDF)を推測することは不可欠である。 単一スパース点雲から直接SDFを推定するニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2023-03-25T15:56:50Z)
• CloudAttention: Efficient Multi-Scale Attention Scheme For 3D Point Cloud Learning [81.85951026033787]
  この作業にトランスフォーマーをセットし、それらを形状分類と部分およびシーンセグメンテーションのための階層的なフレームワークに組み込む。 また、各イテレーションにおけるサンプリングとグループ化を活用して、効率的でダイナミックなグローバルなクロスアテンションを計算します。 提案した階層モデルは,最先端の形状分類を平均精度で達成し,従来のセグメンテーション法と同等の結果を得る。
  論文  参考訳（メタデータ） (2022-07-31T21:39:15Z)
• Reconstructing Surfaces for Sparse Point Clouds with On-Surface Priors [52.25114448281418]
  現在の方法では、接地距離や点正規化なしに単一点雲から符号付き距離関数 (Signed Distance Function, SDF) を学習することで、表面を再構築することができる。 そこで本稿では, 表面上の粗い点雲から高精度な表面を復元することを提案する。 本手法は, 接地距離や点正規化を伴わずに, 単一のスパース点雲からSDFを学習することができる。
  論文  参考訳（メタデータ） (2022-04-22T09:45:20Z)
• Stratified Transformer for 3D Point Cloud Segmentation [89.9698499437732]
  Stratified Transformerは、長距離コンテキストをキャプチャし、強力な一般化能力と高性能を示す。 不規則な点配置によって引き起こされる課題に対処するために,局所情報を集約する第1層点埋め込みを提案する。 S3DIS, ScanNetv2およびShapeNetPartデータセットにおける本手法の有効性と優位性を示す実験を行った。
  論文  参考訳（メタデータ） (2022-03-28T05:35:16Z)
• Attention-based Transformation from Latent Features to Point Clouds [6.547680885781582]
  AXformは、潜在機能をポイントクラウドに変換するための注意ベースの手法である。 パラメータ共有とデータフローの両方を考慮しており、アウトレーヤが減り、ネットワークパラメータが減り、コンバージェンス速度が速くなる。 AXformは強い2次元の制約を持たず、非滑らかな曲面の生成を改善する。 異なるデータセットに対する検討実験により,本手法が最先端の結果が得られることが示された。
  論文  参考訳（メタデータ） (2021-12-10T03:59:04Z)

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。