論文の概要: Deep Learning based Joint Geometry and Attribute Up-sampling for Large-Scale Colored Point Clouds

• arxiv url: http://arxiv.org/abs/2506.22749v1
• Date: Sat, 28 Jun 2025 04:08:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-01 21:27:53.545253
• Title: Deep Learning based Joint Geometry and Attribute Up-sampling for Large-Scale Colored Point Clouds
• Title（参考訳）: 大規模色付き点雲の深層学習による関節形状と属性アップサンプリング
• Authors: Yun Zhang, Feifan Chen, Na Li, Zhiwei Guo, Xu Wang, Fen Miao, Sam Kwong,
• Abstract要約: 本研究では,大規模点群を生成するための深層学習に基づくJGAU(Joint Geometry and Attribute Up-Sampling)手法を提案する。 我々は、SYSU-PCUDと呼ばれるカラーポイントクラウドアップサンプリングのための大規模データセットをリリースする。 実験により、JGAU法により達成されたピーク信号-雑音比(PSNR)は33.90デシベルであることが示されている。
• 参考スコア（独自算出の注目度）: 46.83969238599941
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Colored point cloud, which includes geometry and attribute components, is a mainstream representation enabling realistic and immersive 3D applications. To generate large-scale and denser colored point clouds, we propose a deep learning-based Joint Geometry and Attribute Up-sampling (JGAU) method that learns to model both geometry and attribute patterns while leveraging spatial attribute correlations. First, we establish and release a large-scale dataset for colored point cloud up-sampling called SYSU-PCUD, containing 121 large-scale colored point clouds with diverse geometry and attribute complexities across six categories and four sampling rates. Second, to improve the quality of up-sampled point clouds, we propose a deep learning-based JGAU framework that jointly up-samples geometry and attributes. It consists of a geometry up-sampling network and an attribute up-sampling network, where the latter leverages the up-sampled auxiliary geometry to model neighborhood correlations of the attributes. Third, we propose two coarse attribute up-sampling methods, Geometric Distance Weighted Attribute Interpolation (GDWAI) and Deep Learning-based Attribute Interpolation (DLAI), to generate coarse up-sampled attributes for each point. Then, an attribute enhancement module is introduced to refine these up-sampled attributes and produce high-quality point clouds by further exploiting intrinsic attribute and geometry patterns. Extensive experiments show that the Peak Signal-to-Noise Ratio (PSNR) achieved by the proposed JGAU method is 33.90 decibels, 32.10 decibels, 31.10 decibels, and 30.39 decibels for up-sampling rates of 4 times, 8 times, 12 times, and 16 times, respectively. Compared to state-of-the-art methods, JGAU achieves average PSNR gains of 2.32 decibels, 2.47 decibels, 2.28 decibels, and 2.11 decibels at these four up-sampling rates, demonstrating significant improvement.
• Abstract（参考訳）: 幾何学と属性コンポーネントを含むカラーポイントクラウドは、現実的で没入的な3Dアプリケーションを可能にする主流の表現である。 大規模で高密度な点雲を生成するために,空間的属性相関を利用して幾何学と属性パターンの両方をモデル化する,深層学習に基づくJGAU(Joint Geometry and Attribute Up-Sampling)法を提案する。 まず,SYSU-PCUDと呼ばれる,6つのカテゴリにまたがる多様な幾何学と属性の複雑さと4つのサンプリングレートを持つ121個の大規模色の点群を含む,色の点群アップサンプリング用の大規模データセットを構築し,リリースする。 第2に、アップサンプリングされた点雲の品質を向上させるために、アップサンプル幾何学と属性を併用したディープラーニングベースのJGAUフレームワークを提案する。 幾何アップサンプリングネットワークと属性アップサンプリングネットワークで構成され、後者はアップサンプリングされた補助幾何学を利用して属性の近傍相関をモデル化する。 第3に,2つの粗い属性アップサンプリング手法,Geometric Distance Weighted Attribute Interpolation (GDWAI) とDeep Learning-based Attribute Interpolation (DLAI) を提案する。 そして、これらのアップサンプリング属性を洗練させ、本質的な属性と幾何学的パターンをさらに活用して高品質な点雲を生成する属性拡張モジュールを導入する。 JGAU法により達成されたピーク信号対雑音比(PSNR)は33.90デシベル、32.10デシベル、31.10デシベル、30.39デシベルであり、それぞれ4回、8回、12回、16回である。 最先端の手法と比較して、JGAUは2.32デシベル、2.47デシベル、2.28デシベル、2.11デシベルの4つのアップサンプリングレートで平均PSNRゲインを達成した。

関連論文リスト

• GQE-Net: A Graph-based Quality Enhancement Network for Point Cloud Color Attribute [51.4803148196217]
  本稿では,点雲の色歪みを低減するため,グラフベースの品質向上ネットワーク(GQE-Net)を提案する。 GQE-Netは、幾何学情報を補助入力とグラフ畳み込みブロックとして使用し、局所的な特徴を効率的に抽出する。 実験結果から,本手法は最先端性能を実現することが示された。
  論文  参考訳（メタデータ） (2023-03-24T02:33:45Z)
• Joint Geometry and Attribute Upsampling of Point Clouds Using Frequency-Selective Models with Overlapped Support [4.211128681972148]
  本稿では,周波数選択型アップサンプリング(FSU)を提案する。 平面間誤差と平面-平面角類似性の観点から,提案したFSUの最適性能を示す。
  論文  参考訳（メタデータ） (2023-01-27T10:20:06Z)
• BIMS-PU: Bi-Directional and Multi-Scale Point Cloud Upsampling [60.257912103351394]
  我々はBIMS-PUと呼ばれる新しいポイント・クラウド・アップサンプリング・パイプラインを開発した。 対象のサンプリング因子を小さな因子に分解することにより,アップ/ダウンサンプリング手順をいくつかのアップ/ダウンサンプリングサブステップに分解する。 提案手法は最先端手法よりも優れた結果が得られることを示す。
  論文  参考訳（メタデータ） (2022-06-25T13:13:37Z)
• Learning Affinity-Aware Upsampling for Deep Image Matting [83.02806488958399]
  アップサンプリングにおける学習親和性は、ディープ・ネットワークにおけるペアワイズ・インタラクションを効果的かつ効率的に利用するためのアプローチであることを示す。 特に、コンポジション1kマッチングデータセットの結果は、A2Uが強いベースラインに対してSAD測定値の14%の相対的な改善を達成していることを示している。 最先端のマッティングネットワークと比較すると、モデル複雑度は40%に過ぎず、8%高いパフォーマンスを実現しています。
  論文  参考訳（メタデータ） (2020-11-29T05:09:43Z)

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。