論文の概要: Non-uniform Point Cloud Upsampling via Local Manifold Distribution

• arxiv url: http://arxiv.org/abs/2504.11701v1
• Date: Wed, 16 Apr 2025 01:54:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-17 14:38:47.725502
• Title: Non-uniform Point Cloud Upsampling via Local Manifold Distribution
• Title（参考訳）: 非一様点雲の局所的マニフォールド分布によるアップサンプリング
• Authors: Yaohui Fang, Xingce Wang,
• Abstract要約: 本稿では, 多様体分布の観点から制約を課すことにより, 雲のアップサンプリングを指示する新しい手法を提案する。 本研究では,スパースおよび非一様入力を処理する際に,より高品質で均一に分布する高密度点雲を生成することを示す。
• 参考スコア（独自算出の注目度）: 3.882709754150705
• License:
• Abstract: Existing learning-based point cloud upsampling methods often overlook the intrinsic data distribution charac?teristics of point clouds, leading to suboptimal results when handling sparse and non-uniform point clouds. We propose a novel approach to point cloud upsampling by imposing constraints from the perspective of manifold distributions. Leveraging the strong fitting capability of Gaussian functions, our method employs a network to iteratively optimize Gaussian components and their weights, accurately representing local manifolds. By utilizing the probabilistic distribution properties of Gaussian functions, we construct a unified statistical manifold to impose distribution constraints on the point cloud. Experimental results on multiple datasets demonstrate that our method generates higher-quality and more uniformly distributed dense point clouds when processing sparse and non-uniform inputs, outperforming state-of-the-art point cloud upsampling techniques.
• Abstract（参考訳）: 既存の学習ベースのポイント・クラウド・アップサンプリング手法は、しばしば本質的なデータ配信の障害を見落としているか? 点雲の定式化は、スパースと非一様点雲を扱う際の準最適結果をもたらす。 本稿では, 多様体分布の観点から制約を課すことにより, 雲のアップサンプリングを指示する新しい手法を提案する。 ガウス函数の強適合性を利用して、ガウス成分とその重みを反復的に最適化し、局所多様体を正確に表現する。 ガウス函数の確率分布特性を利用して、点クラウドに分布制約を課す統一統計多様体を構築する。 複数のデータセットに対する実験結果から,スパース入力や非一様入力の処理において,より高品質で均一に分布した高密度点群が生成され,最先端の点群アップサンプリング技術よりも優れた結果が得られた。

関連論文リスト

• Efficient Point Clouds Upsampling via Flow Matching [16.948354780275388]
  既存の拡散モデルは、ガウスノイズを実点雲にマップするときに非効率で苦労する。 本研究では,スパース点雲を高忠実度密度の雲に直接マッピングする流れマッチング手法PUFMを提案する。 本手法はより優れたアップサンプリング品質を提供するが,サンプリングステップは少ない。
  論文  参考訳（メタデータ） (2025-01-25T17:50:53Z)
• PLATYPUS: Progressive Local Surface Estimator for Arbitrary-Scale Point Cloud Upsampling [7.967279361937874]
  3Dポイントクラウドは、自動運転やロボティクスといったアプリケーションにとってますます重要になっている。 点雲のアップサンプリングは密度と均一性を改善するために不可欠である。 複雑な領域の局所的特徴をより効果的に捉えたプログレッシブ局所表面推定器(PLSE)を導入する。
  論文  参考訳（メタデータ） (2024-11-01T07:56:56Z)
• Enhancing Diffusion-based Point Cloud Generation with Smoothness Constraint [5.140589325829964]
  拡散モデルはポイントクラウド生成タスクで人気がある。 点雲生成のための拡散フレームワークに局所的滑らか性制約を組み込むことを提案する。 実験により、提案モデルが現実的な形状とスムーズな点雲を生成できることを示した。
  論文  参考訳（メタデータ） (2024-04-03T01:55:15Z)
• Distributed Markov Chain Monte Carlo Sampling based on the Alternating Direction Method of Multipliers [143.6249073384419]
  本論文では,乗算器の交互方向法に基づく分散サンプリング手法を提案する。 我々は,アルゴリズムの収束に関する理論的保証と,その最先端性に関する実験的証拠の両方を提供する。 シミュレーションでは,線形回帰タスクとロジスティック回帰タスクにアルゴリズムを配置し,その高速収束を既存の勾配法と比較した。
  論文  参考訳（メタデータ） (2024-01-29T02:08:40Z)
• Controllable Mesh Generation Through Sparse Latent Point Diffusion Models [105.83595545314334]
  メッシュ生成のための新しいスパース潜在点拡散モデルを設計する。 私たちの重要な洞察は、ポイントクラウドをメッシュの中間表現と見なし、代わりにポイントクラウドの分布をモデル化することです。 提案したスパース潜在点拡散モデルにより,生成品質と制御性において優れた性能が得られる。
  論文  参考訳（メタデータ） (2023-03-14T14:25:29Z)
• ManiFlow: Implicitly Representing Manifolds with Normalizing Flows [145.9820993054072]
  正規化フロー(NF)は、複雑な実世界のデータ分布を正確にモデル化することが示されているフレキシブルな明示的な生成モデルである。 摂動分布から標本を与えられた多様体上の最も可能性の高い点を復元する最適化目的を提案する。 最後に、NFsの明示的な性質、すなわち、ログのような勾配とログのような勾配から抽出された表面正規化を利用する3次元点雲に焦点を当てる。
  論文  参考訳（メタデータ） (2022-08-18T16:07:59Z)
• Self-Supervised Arbitrary-Scale Point Clouds Upsampling via Implicit Neural Representation [79.60988242843437]
  そこで本研究では,自己監督型および倍率フレキシブルな点雲を同時にアップサンプリングする手法を提案する。 実験結果から, 自己教師あり学習に基づく手法は, 教師あり学習に基づく手法よりも, 競争力や性能が向上することが示された。
  論文  参考訳（メタデータ） (2022-04-18T07:18:25Z)
• PU-Flow: a Point Cloud Upsampling Networkwith Normalizing Flows [58.96306192736593]
  本稿では,正規化フローを組み込んだPU-Flowについて述べる。 具体的には、重みが局所的な幾何学的文脈から適応的に学習される潜在空間において、アップサンプリング過程を点として定式化する。 提案手法は, 再現性, 近接精度, 計算効率の観点から, 最先端の深層学習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） (2021-07-13T07:45:48Z)
• SPU-Net: Self-Supervised Point Cloud Upsampling by Coarse-to-Fine Reconstruction with Self-Projection Optimization [52.20602782690776]
  実際のスキャンされたスパースデータからトレーニング用の大規模なペアリングスパーススキャンポイントセットを得るのは高価で面倒です。 本研究では,SPU-Net と呼ばれる自己監視型点群アップサンプリングネットワークを提案する。 本研究では,合成データと実データの両方について様々な実験を行い,最先端の教師付き手法と同等の性能が得られることを示す。
  論文  参考訳（メタデータ） (2020-12-08T14:14:09Z)

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。