論文の概要: PointSea: Point Cloud Completion via Self-structure Augmentation
- arxiv url: http://arxiv.org/abs/2502.17053v2
- Date: Tue, 25 Feb 2025 04:06:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-26 11:59:02.311323
- Title: PointSea: Point Cloud Completion via Self-structure Augmentation
- Title（参考訳）: PointSea: 自己構造拡張によるポイントクラウド補完
- Authors: Zhe Zhu, Honghua Chen, Xing He, Mingqiang Wei,
- Abstract要約: ポイントクラウドの完成は、3Dビジョンにおける根本的な問題だが、十分に解決されていない。
グローバル・ローカル・ポイント・クラウド・コンプリートのためのPointSeaを提案する。
- 参考スコア（独自算出の注目度）: 22.84159461045977
- License:
- Abstract: Point cloud completion is a fundamental yet not well-solved problem in 3D vision. Current approaches often rely on 3D coordinate information and/or additional data (e.g., images and scanning viewpoints) to fill in missing parts. Unlike these methods, we explore self-structure augmentation and propose PointSea for global-to-local point cloud completion. In the global stage, consider how we inspect a defective region of a physical object, we may observe it from various perspectives for a better understanding. Inspired by this, PointSea augments data representation by leveraging self-projected depth images from multiple views. To reconstruct a compact global shape from the cross-modal input, we incorporate a feature fusion module to fuse features at both intra-view and inter-view levels. In the local stage, to reveal highly detailed structures, we introduce a point generator called the self-structure dual-generator. This generator integrates both learned shape priors and geometric self-similarities for shape refinement. Unlike existing efforts that apply a unified strategy for all points, our dual-path design adapts refinement strategies conditioned on the structural type of each point, addressing the specific incompleteness of each point. Comprehensive experiments on widely-used benchmarks demonstrate that PointSea effectively understands global shapes and generates local details from incomplete input, showing clear improvements over existing methods.
- Abstract（参考訳）: ポイントクラウドの完成は、3Dビジョンにおける根本的な問題だが、十分に解決されていない。
現在のアプローチでは、欠落した部分を埋めるために、しばしば3D座標情報と/または追加のデータ(画像やスキャニング視点など)に頼っている。
これらの手法とは違って,自己構造拡張を探求し,グローバル・ローカル・ポイント・クラウド・コンプリートのためのポイントシーを提案する。
グローバルな段階では、物理的な物体の欠陥領域をどう検査するかを考えると、よりよく理解するために様々な観点から観察することができる。
これにインスパイアされたPointSeaは、複数のビューから自己投影された深度画像を活用することで、データ表現を強化する。
クロスモーダル入力からコンパクトなグローバルな形状を再構築するために,ビュー内およびビュー間の両方で特徴を融合する特徴融合モジュールを組み込んだ。
局所的な段階では、高度に詳細な構造を明らかにするために、自己構造二重発生器と呼ばれる点生成器を導入する。
このジェネレータは、学習された形状先行と幾何学的自己相似の両方を統合する。
全ての点に対して統一的な戦略を適用する既存の取り組みとは異なり、我々の双対パス設計は各点の構造型に規定された洗練戦略に適応し、各点の特異な不完全性に対処する。
広く使われているベンチマークに関する総合的な実験は、PointSeaがグローバルな形状を効果的に理解し、不完全な入力から局所的な詳細を生成することを示した。
関連論文リスト
- Focus on Neighbors and Know the Whole: Towards Consistent Dense Multiview Text-to-Image Generator for 3D Creation [64.07560335451723]
CoSERは、テキストから3Dへの一貫した高密度テキスト・ツー・イメージ・ジェネレータである。
隣人のビューコヒーレンスを巧みに学習することで効率と品質を両立させる。
物理原理によって明確に定義された運動経路に沿って情報を集約し、詳細を洗練させる。
論文 参考訳（メタデータ） (2024-08-23T15:16:01Z) - 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) - SVDFormer: Complementing Point Cloud via Self-view Augmentation and
Self-structure Dual-generator [30.483163963846206]
本稿では,ポイントクラウド補完における2つの課題に対処するために,新たなネットワークSVDFormerを提案する。
我々はまず,複数視点深度画像情報を利用して不完全な自己形成を観測するセルフビューフュージョンネットワークを設計する。
次に,自己構造デュアルジェネレータ (Self-structure Dual-generator) と呼ばれる改良モジュールを導入する。
論文 参考訳（メタデータ） (2023-07-17T13:55:31Z) - 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) - Semantic Segmentation for Real Point Cloud Scenes via Bilateral
Augmentation and Adaptive Fusion [38.05362492645094]
現実世界の複雑な環境を直感的に捉えることができますが、3Dデータの生の性質のため、機械認識にとって非常に困難です。
我々は、現実に収集された大規模クラウドデータに対して、重要な視覚的タスク、セマンティックセグメンテーションに集中する。
3つのベンチマークで最先端のネットワークと比較することにより,ネットワークの有効性を実証する。
論文 参考訳（メタデータ） (2021-03-12T04:13:20Z) - 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) - Detail Preserved Point Cloud Completion via Separated Feature
Aggregation [26.566021924980706]
ポイントクラウド形状の完成は、3Dビジョンとロボティクスにおいて難しい問題である。
グローバル・ローカル・フィーチャー・アグリゲーション(GLFA)と残像アグリゲーション(RFA)という2つの異なる特徴アグリゲーション戦略を提案する。
提案するネットワークは,特に細部保存における最先端技術よりも優れている。
論文 参考訳（メタデータ） (2020-07-05T16:11:55Z) - Point Cloud Completion by Skip-attention Network with Hierarchical
Folding [61.59710288271434]
本研究では,3Dポイントクラウド補完のためのSkip-Attention Network (SA-Net)を提案する。
まず,不完全点雲の局所構造を効果的に活用するためのスキップアテンション機構を提案する。
第二に、異なる解像度でスキップアテンション機構によって符号化された選択された幾何情報を完全に活用するために、新しい構造保存デコーダを提案する。
論文 参考訳（メタデータ） (2020-05-08T06:23:51Z) - Cascaded Refinement Network for Point Cloud Completion [74.80746431691938]
本稿では,細かな物体形状を合成するための粗大な戦略とともに,カスケード型精細化ネットワークを提案する。
部分入力の局所的な詳細と大域的な形状情報を合わせて考えると、既存の詳細を不完全点集合に保存することができる。
また、各局所領域が同じパターンと基底的真理を持つことを保証し、複雑な点分布を学習するパッチ判別器を設計する。
論文 参考訳（メタデータ） (2020-04-07T13:03:29Z)
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。