論文の概要: Sparse Ellipsoidal Radial Basis Function Network for Point Cloud Surface Representation

• arxiv url: http://arxiv.org/abs/2505.02350v2
• Date: Sun, 11 May 2025 02:43:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-13 12:10:05.922128
• Title: Sparse Ellipsoidal Radial Basis Function Network for Point Cloud Surface Representation
• Title（参考訳）: 点雲表面表現のためのスパース楕円半径基底関数ネットワーク
• Authors: Bobo Lian, Dandan Wang, Chenjian Wu, Minxin Chen,
• Abstract要約: 本稿では,点雲の符号付き距離関数(SDF)を近似する機械学習手法を提案する。 空間性と近似精度のバランスをとるために,動的多目的最適化戦略を導入する。 複数のベンチマークデータセットの実験により,提案手法が従来のスパース表現手法より優れていることが示された。
• 参考スコア（独自算出の注目度）: 2.058117685659364
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Point cloud surface representation is a fundamental problem in computer graphics and vision. This paper presents a machine learning approach for approximating the signed distance function (SDF) of a point cloud using a sparse ellipsoidal radial basis function network, enabling a compact and accurate surface representation. Given the SDF values defined on the grid points constructed from the point cloud, our method approximates the SDF accurately with as few ellipsoidal radial basis functions (ERBFs) as possible, i.e., represents the SDF of a point cloud by sparse ERBFs. To balance sparsity and approximation precision, a dynamic multi-objective optimization strategy is introduced, which adaptively adds the regularization terms and jointly optimizes the weights, centers, shapes, and orientations of ERBFs. To improve computational efficiency, a nearest-neighbor-based data structure is employed, restricting function calculations to points near each Gaussian kernel center. The computations for each kernel are further parallelized on CUDA, which significantly improves the optimization speed. Additionally, a hierarchical octree-based refinement strategy is designed for training. Specifically, the initialization and optimization of network parameters are conducted using coarse grid points in the octree lattice structure. Subsequently, fine lattice points are progressively incorporated to accelerate model convergence and enhance training efficiency. Extensive experiments on multiple benchmark datasets demonstrate that our method outperforms previous sparse representation approaches in terms of accuracy, robustness, and computational efficiency. The corresponding executable program is publicly available at https://github.com/lianbobo/SE-RBFNet.git.
• Abstract（参考訳）: ポイントクラウド表面表現は、コンピュータグラフィックスとビジョンの基本的な問題である。 本稿では,スパルス楕円ラジアル基底関数ネットワークを用いて,点雲の符号付き距離関数(SDF)を近似する機械学習手法を提案する。 点雲から構築された格子点上に定義されたSDF値を考えると,本手法は極小の楕円半径基底関数 (ERBF) でSDFを正確に近似する。 間隔と近似精度のバランスをとるために、動的多目的最適化戦略を導入し、正規化項を適応的に追加し、ERBFの重み、中心、形状、配向を共同で最適化する。 計算効率を向上させるため、ガウス核中心付近の点に関数計算を制限し、最寄りのデータ構造を用いる。 各カーネルの計算はCUDA上でさらに並列化され、最適化速度が大幅に向上する。 さらに、階層的なオクツリーベースの洗練戦略が訓練用に設計されている。 具体的には、オクツリー格子構造における粗い格子点を用いて、ネットワークパラメータの初期化と最適化を行う。 その後、モデル収束を加速し、訓練効率を高めるために、微細格子点を段階的に組み込む。 複数のベンチマークデータセットに対する大規模な実験により,提案手法は従来のスパース表現手法よりも精度,堅牢性,計算効率の点で優れていた。 対応する実行可能プログラムはhttps://github.com/lianbobo/SE-RBFNet.gitで公開されている。

関連論文リスト

• Learning Bijective Surface Parameterization for Inferring Signed Distance Functions from Sparse Point Clouds with Grid Deformation [50.26314343851213]
  疎点雲から符号付き距離関数(SDF)を推定することは、表面再構成の課題である。 本稿では,SDFをエンドツーエンドに予測するために動的変形ネットワークを学習する新しい手法を提案する。 合成および実スキャンデータを用いた実験結果から,本手法は最先端の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2025-03-31T02:27:02Z)
• On Model Compression for Neural Networks: Framework, Algorithm, and Convergence Guarantee [21.818773423324235]
  本稿では,低ランク近似と重み近似の2つのモデル圧縮手法に焦点を当てた。 本稿では,非最適化の新たな視点から,モデル圧縮のための全体論的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-13T02:14:42Z)
• Efficient Graph Field Integrators Meet Point Clouds [59.27295475120132]
  点雲を符号化するグラフ上での効率的な場積分のためのアルゴリズムを2種類提案する。 第1のクラスであるSeparatorFactorization(SF)は、ポイントメッシュグラフの有界属を利用するが、第2のクラスであるRFDiffusion(RFD)は、ポイントクラウドの一般的なepsilon-nearest-neighborグラフ表現を使用する。
  論文  参考訳（メタデータ） (2023-02-02T08:33:36Z)
• Efficient Dataset Distillation Using Random Feature Approximation [109.07737733329019]
  本稿では,ニューラルネットワークガウス過程(NNGP)カーネルのランダム特徴近似(RFA)を用いた新しいアルゴリズムを提案する。 我々のアルゴリズムは、KIP上で少なくとも100倍のスピードアップを提供し、1つのGPUで実行できる。 RFA蒸留 (RFAD) と呼ばれる本手法は, 大規模データセットの精度において, KIP や他のデータセット凝縮アルゴリズムと競合して動作する。
  論文  参考訳（メタデータ） (2022-10-21T15:56:13Z)
• Random Features for the Neural Tangent Kernel [57.132634274795066]
  完全接続型ReLUネットワークのニューラルタンジェントカーネル(NTK)の効率的な特徴マップ構築を提案する。 得られた特徴の次元は、理論と実践の両方で比較誤差境界を達成するために、他のベースライン特徴マップ構造よりもはるかに小さいことを示しています。
  論文  参考訳（メタデータ） (2021-04-03T09:08:12Z)
• A Point-Cloud Deep Learning Framework for Prediction of Fluid Flow Fields on Irregular Geometries [62.28265459308354]
  ネットワークは空間位置とCFD量のエンドツーエンドマッピングを学習する。 断面形状の異なるシリンダーを過ぎる非圧縮層状定常流を考察する。 ネットワークは従来のCFDの数百倍の速さで流れ場を予測する。
  論文  参考訳（メタデータ） (2020-10-15T12:15:02Z)
• FedPD: A Federated Learning Framework with Optimal Rates and Adaptivity to Non-IID Data [59.50904660420082]
  フェデレートラーニング(FL)は、分散データから学ぶための一般的なパラダイムになっています。 クラウドに移行することなく、さまざまなデバイスのデータを効果的に活用するために、Federated Averaging(FedAvg)などのアルゴリズムでは、"Computation then aggregate"(CTA)モデルを採用している。
  論文  参考訳（メタデータ） (2020-05-22T23:07:42Z)

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。