論文の概要: Wavelet-based Global Orientation and Surface Reconstruction for Point Clouds

• arxiv url: http://arxiv.org/abs/2506.16299v1
• Date: Thu, 19 Jun 2025 13:20:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-23 19:00:05.084191
• Title: Wavelet-based Global Orientation and Surface Reconstruction for Point Clouds
• Title（参考訳）: ウェーブレットによる点雲のグローバル配向と表面再構成
• Authors: Yueji Ma, Yanzun Meng, Dong Xiao, Zuoqiang Shi, Bin Wang,
• Abstract要約: そこで本研究では,ウェーブレットを用いたモリファイドインジケータ関数の表現法を提案し,配向と表面再構成の両タスクを完遂する。 修正カーネル関数を用いて、ウェーブレット基底関数の連続性と整合して、表面の不連続性を円滑にする。 本手法は,スパースモデルの配向と再構成の両面において,最先端の性能を実現する。
• 参考スコア（独自算出の注目度）: 9.532292517005967
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Unoriented surface reconstruction is an important task in computer graphics and has extensive applications. Based on the compact support of wavelet and orthogonality properties, classic wavelet surface reconstruction achieves good and fast reconstruction. However, this method can only handle oriented points. Despite some improved attempts for unoriented points, such as iWSR, these methods perform poorly on sparse point clouds. To address these shortcomings, we propose a wavelet-based method to represent the mollified indicator function and complete both the orientation and surface reconstruction tasks. We use the modifying kernel function to smoothen out discontinuities on the surface, aligning with the continuity of the wavelet basis function. During the calculation of coefficient, we fully utilize the properties of the convolutional kernel function to shift the modifying computation onto wavelet basis to accelerate. In addition, we propose a novel method for constructing the divergence-free function field and using them to construct the additional homogeneous constraints to improve the effectiveness and stability. Extensive experiments demonstrate that our method achieves state-of-the-art performance in both orientation and reconstruction for sparse models. We align the matrix construction with the compact support property of wavelet basis functions to further accelerate our method, resulting in efficient performance on CPU. Our source codes will be released on GitHub.
• Abstract（参考訳）: 非オブジェクト指向表面再構成はコンピュータグラフィックスにおいて重要な課題であり、広範囲の応用がある。 ウェーブレットのコンパクトな支持と直交特性に基づいて、古典的なウェーブレット表面の再構成は良好かつ高速な再構成を実現する。 しかし、この方法は向き付けられた点しか扱えない。 iWSRのような無向点に対するいくつかの改善試みにもかかわらず、これらの手法はスパース点雲上では性能が良くない。 これらの欠点に対処するため,ウェーブレットを用いたモリファイドインジケータ関数の表現と,配向と表面再構成の両タスクを完遂する手法を提案する。 修正カーネル関数を用いて、ウェーブレット基底関数の連続性と整合して、表面の不連続性を円滑にする。 係数の計算では、畳み込みカーネル関数の特性をフル活用して、修正処理をウェーブレットベースにシフトして高速化する。 さらに, 分散自由関数場を構築するための新しい手法を提案し, 有効性と安定性を向上させるために, 新たな等質制約を構築する。 大規模な実験により,スパースモデルの配向と再構成の両面での最先端性能が得られた。 行列構成をウェーブレット基底関数のコンパクトなサポート特性と整合させて,提案手法をさらに高速化し,CPU上での効率的な性能を実現する。 ソースコードはGitHubでリリースされます。

関連論文リスト

• FuncGenFoil: Airfoil Generation and Editing Model in Function Space [63.274584650021744]
  本稿では,FuncGenFoilについて紹介する。FuncGenFoilは,翼形状を関数曲線として直接再構成する関数空間生成モデルである。 実証的な評価は、FuncGenFoilが翼生成における最先端の手法を改善することを示している。
  論文  参考訳（メタデータ） (2025-02-15T07:56:58Z)
• Robustifying Generalizable Implicit Shape Networks with a Tunable Non-Parametric Model [10.316008740970037]
  無向点雲からの暗黙的形状再構成の一般化可能なモデルは一般化問題に悩まされる。 ここでは、これらの制限のいくつかをテスト時に緩和する効率的なメカニズムを提案する。 本稿では,本手法によるベースラインの改良と,合成データと実データを用いた最先端技術について述べる。
  論文  参考訳（メタデータ） (2023-11-21T20:12:29Z)
• Active Nearest Neighbor Regression Through Delaunay Refinement [79.93030583257597]
  近接回帰に基づく能動関数近似アルゴリズムを提案する。 我々のActive Nearest Neighbor Regressor (ANNR) は計算幾何学の Voronoi-Delaunay フレームワークに頼り、空間を一定の関数値のセルに分割する。
  論文  参考訳（メタデータ） (2022-06-16T10:24:03Z)
• Hierarchical Spherical CNNs with Lifting-based Adaptive Wavelets for Pooling and Unpooling [101.72318949104627]
  本稿では, 階層型畳み込みニューラルネットワーク(HS-CNN)の新たな枠組みを提案し, プールやアンプールのための適応球面ウェーブレットを学習する。 LiftHS-CNNは、画像レベルのタスクとピクセルレベルのタスクの両方において、より効率的な階層的特徴学習を実現する。
  論文  参考訳（メタデータ） (2022-05-31T07:23:42Z)
• Adaptive Online Value Function Approximation with Wavelets [12.170799293198963]
  強化学習のためのウェーブレットベースを紹介する。 固定ウェーブレットベースセットは、マウンテンカーとアクロボットの高性能フーリエベースに対して比較可能であることを示す。
  論文  参考訳（メタデータ） (2022-04-22T11:35:57Z)
• Multiway Non-rigid Point Cloud Registration via Learned Functional Map Synchronization [105.14877281665011]
  我々は、点雲上に定義された学習関数に関する地図を同期させることにより、複数の非剛体形状を登録する新しい方法であるSyNoRiMを提案する。 提案手法は,登録精度において最先端の性能を達成できることを実証する。
  論文  参考訳（メタデータ） (2021-11-25T02:37:59Z)
• Learning Modified Indicator Functions for Surface Reconstruction [10.413340575612233]
  正規化のない原点雲からの暗黙的表面再構成のための学習に基づくアプローチを提案する。 我々の手法はポテンシャルエネルギー理論においてガウス・レムマにインスパイアされ、指標関数に対して明示的な積分公式を与える。 我々は、表面積分を行うための新しいディープニューラルネットワークを設計し、修正されたインジケータ関数を、不向きでノイズの多い点群から学習する。
  論文  参考訳（メタデータ） (2021-11-18T05:30:35Z)
• Compressing Deep ODE-Nets using Basis Function Expansions [105.05435207079759]
  重みの定式化を基底関数の線形結合を用いた連続深度関数とみなす。 この観点では、ほぼ最先端の性能を維持しながら、再トレーニングすることなく、ベースの変化によって重みを圧縮することができる。 これにより、推論時間とメモリフットプリントの両方が削減され、計算環境間の高速で厳密な適応が可能となる。
  論文  参考訳（メタデータ） (2021-06-21T03:04:51Z)
• Fast Gravitational Approach for Rigid Point Set Registration with Ordinary Differential Equations [79.71184760864507]
  本稿では,FGA(Fast Gravitational Approach)と呼ばれる厳密な点集合アライメントのための物理に基づく新しい手法を紹介する。 FGAでは、ソースとターゲットの点集合は、シミュレーションされた重力場内を移動しながら、世界規模で多重リンクされた方法で相互作用する質量を持つ剛体粒子群として解釈される。 従来のアライメント手法では,新しいメソッドクラスには特徴がないことを示す。
  論文  参考訳（メタデータ） (2020-09-28T15:05:39Z)
• An efficient iterative method for reconstructing surface from point clouds [7.581956025432869]
  我々は,点雲からの表面再構成を行うための変動モデルに基づく効率的な反復法を開発した。 次に、近似エネルギーを最小化し、各繰り返しにおけるエネルギー減衰特性を証明するための新しい反復法を開発する。
  論文  参考訳（メタデータ） (2020-05-25T00:01:53Z)

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。