論文の概要: CanonNet: Canonical Ordering and Curvature Learning for Point Cloud Analysis

• arxiv url: http://arxiv.org/abs/2504.02763v1
• Date: Thu, 03 Apr 2025 16:58:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-04 12:56:17.048094
• Title: CanonNet: Canonical Ordering and Curvature Learning for Point Cloud Analysis
• Title（参考訳）: CanonNet: ポイントクラウド分析のための標準順序付けと曲率学習
• Authors: Benjy Friedmann, Michael Werman,
• Abstract要約: CanonNetは、2つの補完的なコンポーネントで構成される軽量ニューラルネットワークである。 CanonNetは、標準点の順序付けと配向を生成する前処理パイプラインである。 また,ネットワークが正確な曲率値を持つ合成曲面から学習する幾何学的学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.5919433278490629
• License:
• Abstract: Point cloud processing poses two fundamental challenges: establishing consistent point ordering and effectively learning fine-grained geometric features. Current architectures rely on complex operations that limit expressivity while struggling to capture detailed surface geometry. We present CanonNet, a lightweight neural network composed of two complementary components: (1) a preprocessing pipeline that creates a canonical point ordering and orientation, and (2) a geometric learning framework where networks learn from synthetic surfaces with precise curvature values. This modular approach eliminates the need for complex transformation-invariant architectures while effectively capturing local geometric properties. Our experiments demonstrate state-of-the-art performance in curvature estimation and competitive results in geometric descriptor tasks with significantly fewer parameters (\textbf{100X}) than comparable methods. CanonNet's efficiency makes it particularly suitable for real-world applications where computational resources are limited, demonstrating that mathematical preprocessing can effectively complement neural architectures for point cloud analysis. The code for the project is publicly available \hyperlink{https://benjyfri.github.io/CanonNet/}{https://benjyfri.github.io/CanonNet/}.
• Abstract（参考訳）: ポイントクラウド処理は、一貫したポイントオーダを確立することと、きめ細かい幾何学的特徴を効果的に学習する、という2つの根本的な課題を提起する。 現在のアーキテクチャは、詳細な表面形状を捉えるのに苦労しながら、表現性を制限する複雑な操作に依存している。 本稿では,(1)標準点順序と向きを生成する前処理パイプライン,(2)正確な曲率値を持つ合成表面からネットワークが学習する幾何学的学習フレームワークの2つの補完成分からなる軽量ニューラルネットワークであるCanonNetについて述べる。 このモジュラーアプローチは、局所的な幾何学的性質を効果的に捉えながら、複雑な変換不変アーキテクチャを必要としない。 本実験では, パラメータが比較対象よりも有意に少ない幾何記述子タスクにおいて, 曲率推定における最先端性能と競合結果を示す。 CanonNetの効率性は、計算資源が限られている現実世界のアプリケーションに特に適しており、数学的前処理がポイントクラウド分析のためのニューラルネットワークを効果的に補完できることを実証している。 プロジェクトのコードは、公開されている \hyperlink{https://benjyfri.github.io/CanonNet/}{https://benjyfri.github.io/CanonNet/}。

関連論文リスト

• Fast Point Cloud Geometry Compression with Context-based Residual Coding and INR-based Refinement [19.575833741231953]
  我々は、KNN法を用いて、原表面点の近傍を決定する。 条件付き確率モデルは局所幾何学に適応し、大きな速度減少をもたらす。 暗黙のニューラル表現を精製層に組み込むことで、デコーダは任意の密度で下面の点をサンプリングすることができる。
  論文  参考訳（メタデータ） (2024-08-06T05:24:06Z)
• ParaPoint: Learning Global Free-Boundary Surface Parameterization of 3D Point Clouds [52.03819676074455]
  ParaPointは、グローバルな自由境界面パラメータ化を実現するための教師なしのニューラルネットワークパイプラインである。 この研究は、グローバルマッピングと自由境界の両方を追求するニューラルポイントクラウドパラメータ化を調査する最初の試みである。
  論文  参考訳（メタデータ） (2024-03-15T14:35:05Z)
• GPr-Net: Geometric Prototypical Network for Point Cloud Few-Shot Learning [2.4366811507669115]
  GPr-Netは、点雲の原型位相を捉える軽量で計算効率の良い幾何学的ネットワークである。 GPr-Netは、ポイントクラウド上の数ショット学習において最先端の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-04-12T17:32:18Z)
• Flattening-Net: Deep Regular 2D Representation for 3D Point Cloud Analysis [66.49788145564004]
  我々は、任意の幾何学と位相の不規則な3次元点雲を表現するために、Flattning-Netと呼ばれる教師なしのディープニューラルネットワークを提案する。 我々の手法は、現在の最先端の競合相手に対して好意的に機能する。
  論文  参考訳（メタデータ） (2022-12-17T15:05:25Z)
• SVNet: Where SO(3) Equivariance Meets Binarization on Point Cloud Representation [65.4396959244269]
  本論文は,3次元学習アーキテクチャを構築するための一般的なフレームワークを設計することによる課題に対処する。 提案手法はPointNetやDGCNNといった一般的なバックボーンに適用できる。 ModelNet40、ShapeNet、および実世界のデータセットであるScanObjectNNの実験では、この手法が効率、回転、精度の間の大きなトレードオフを達成することを示した。
  論文  参考訳（メタデータ） (2022-09-13T12:12:19Z)
• Neural Convolutional Surfaces [59.172308741945336]
  この研究は、大域的、粗い構造から、微細で局所的で、おそらく繰り返される幾何学を歪める形状の表現に関係している。 このアプローチは, 最先端技術よりも優れたニューラル形状圧縮を実現するとともに, 形状詳細の操作と伝達を可能にする。
  論文  参考訳（メタデータ） (2022-04-05T15:40:11Z)
• Refine-Net: Normal Refinement Neural Network for Noisy Point Clouds [36.414785147181995]
  ノイズの多い点雲の正確な正規性を予測するために,Refine-Netと呼ばれる正規化ネットワークを提案する。 本ネットワークは,複数の特徴表現から付加情報を抽出することにより,各点の初期正規性を洗練させるように設計されている。
  論文  参考訳（メタデータ） (2022-03-23T16:18:51Z)
• Spelunking the Deep: Guaranteed Queries for General Neural Implicit Surfaces [35.438964954948574]
  この研究は、広範囲の既存アーキテクチャに対して、一般的なニューラル暗黙関数でクエリを直接実行するための新しいアプローチを示す。 私たちのキーとなるツールは、ニューラルネットワークへのレンジ分析の適用であり、ネットワークの出力を領域を越えてバウンドするために自動演算ルールを使用します。 得られた境界を用いて、レイキャスト、交差試験、空間階層の構築、高速メッシュ抽出、最近点評価などのクエリを開発する。
  論文  参考訳（メタデータ） (2022-02-05T00:37:08Z)
• Towards Efficient Scene Understanding via Squeeze Reasoning [71.1139549949694]
  我々はSqueeze Reasoningと呼ばれる新しいフレームワークを提案する。 空間地図上の情報を伝播するのではなく、まず入力特徴をチャネルワイドなグローバルベクトルに絞ることを学ぶ。 提案手法はエンドツーエンドのトレーニングブロックとしてモジュール化可能であり,既存のネットワークに簡単に接続可能であることを示す。
  論文  参考訳（メタデータ） (2020-11-06T12:17:01Z)
• Neural Subdivision [58.97214948753937]
  本稿では,データ駆動型粗粒度モデリングの新しいフレームワークであるNeural Subdivisionを紹介する。 すべてのローカルメッシュパッチで同じネットワーク重みのセットを最適化するため、特定の入力メッシュや固定属、カテゴリに制約されないアーキテクチャを提供します。 単一の高分解能メッシュでトレーニングしても,本手法は新規な形状に対して合理的な区分を生成する。
  論文  参考訳（メタデータ） (2020-05-04T20:03:21Z)

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。