論文の概要: Denoising-While-Completing Network (DWCNet): Robust Point Cloud Completion Under Corruption
- arxiv url: http://arxiv.org/abs/2507.16743v1
- Date: Tue, 22 Jul 2025 16:34:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-23 21:34:14.205948
- Title: Denoising-While-Completing Network (DWCNet): Robust Point Cloud Completion Under Corruption
- Title(参考訳): Denoising-While-Completing Network (DWCNet): 崩壊時のロバストポイントクラウドコンプリート
- Authors: Keneni W. Tesema, Lyndon Hill, Mark W. Jones, Gary K. L. Tam,
- Abstract要約: ポイントクラウドの完成は、自動運転、拡張現実、ロボット工学における3Dコンピュータビジョンタスクにとって不可欠である。
既存のコンプリートネットワークは、合成データに基づいて訓練されており、現実世界の劣化に苦戦している。
本稿では,ノイズ管理モジュールで拡張された補完フレームワークDWCNetを提案する。
- 参考スコア(独自算出の注目度): 1.4249472316161877
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Point cloud completion is crucial for 3D computer vision tasks in autonomous driving, augmented reality, and robotics. However, obtaining clean and complete point clouds from real-world environments is challenging due to noise and occlusions. Consequently, most existing completion networks -- trained on synthetic data -- struggle with real-world degradations. In this work, we tackle the problem of completing and denoising highly corrupted partial point clouds affected by multiple simultaneous degradations. To benchmark robustness, we introduce the Corrupted Point Cloud Completion Dataset (CPCCD), which highlights the limitations of current methods under diverse corruptions. Building on these insights, we propose DWCNet (Denoising-While-Completing Network), a completion framework enhanced with a Noise Management Module (NMM) that leverages contrastive learning and self-attention to suppress noise and model structural relationships. DWCNet achieves state-of-the-art performance on both clean and corrupted, synthetic and real-world datasets. The dataset and code will be publicly available at https://github.com/keneniwt/DWCNET-Robust-Point-Cloud-Completion-against-Corruptions
- Abstract(参考訳): ポイントクラウドの完成は、自動運転、拡張現実、ロボット工学における3Dコンピュータビジョンタスクにとって不可欠である。
しかし、現実の環境からクリーンで完全な点雲を得るのは難しい。
その結果、既存のコンプリートネットワーク(合成データで訓練された)のほとんどは、現実世界の劣化に悩まされている。
本研究では,複数の同時劣化による高度に劣化した部分点雲の完成と分解の問題に取り組む。
堅牢性をベンチマークするために、さまざまな汚職下での現在のメソッドの制限を強調するCPCCD(Corrupted Point Cloud Completion Dataset)を導入する。
これらの知見に基づいて,ノイズ管理モジュール(NMM)で強化された補完フレームワークであるDWCNetを提案する。
DWCNetは、クリーンで、破損した、合成された、および現実世界のデータセット上で、最先端のパフォーマンスを達成する。
データセットとコードはhttps://github.com/keneniwt/DWCNET-Robust-Point-Cloud-Completion-against-Corruptionsで公開される。
関連論文リスト
- Robust Unsupervised Domain Adaptation for 3D Point Cloud Segmentation Under Source Adversarial Attacks [9.578322021478426]
非教師なしドメイン適応(UDA)フレームワークは、クリーンデータ上での3Dポイントクラウドセマンティックセグメンテーションモデルの優れた一般化機能を示している。
本研究では, 点雲面に小さな摂動しか持たないデータセットを著しく汚染できるステルス対向点雲発生攻撃を提案する。
生成されたデータにより、我々はさらに対策としてAdversarial Adaptation Framework(AAF)を開発する。
論文 参考訳(メタデータ) (2025-04-02T12:11:34Z) - Enhancing Performance of Point Cloud Completion Networks with Consistency Loss [5.904745696905252]
本稿では,1対1のマッピング問題を緩和するために,新しい完了整合性損失を用いて従来の学習目標を強化することを提案する。
提案した整合性損失は,既存ネットワークの補完性能を向上させるのに優れる。
特に、提案された一貫性損失でトレーニングされた最先端のポイントコンプリートネットワークは、挑戦的な新しいMVPデータセットで最先端の精度を達成することができる。
論文 参考訳(メタデータ) (2024-10-09T17:07:34Z) - Fast Learning of Signed Distance Functions from Noisy Point Clouds via Noise to Noise Mapping [54.38209327518066]
点雲から符号付き距離関数を学習することは、3Dコンピュータビジョンにおいて重要な課題である。
クリーンポイントクラウドや地上の真理監督を必要としないノイズ・ノイズマッピングを用いてSDFを学習することを提案する。
我々の新しい特徴はノイズ・ト・ノイズマッピングにあり、1つの物体やシーンの高精度なSDFを、その多重または単一ノイズの観測から推測することができる。
論文 参考訳(メタデータ) (2024-07-04T03:35:02Z) - Mitigating Prior Shape Bias in Point Clouds via Differentiable Center Learning [15.132585178169423]
微分可能中心サンプリングネットワーク(DCS-Net)と呼ばれる新しいソリューションを導入する。
グローバルな特徴再構成とローカルな特徴再構成の両方を非自明なプロキシタスクとして組み込むことで,情報漏洩問題に対処する。
実験により,本手法は既存の点雲モデルの表現能力を向上することを示した。
論文 参考訳(メタデータ) (2024-02-03T08:58:23Z) - Point-DAE: Denoising Autoencoders for Self-supervised Point Cloud Learning [54.51061298877896]
我々は、より一般的なポイントクラウド学習用オートエンコーダ(Point-DAE)について、マスキング以外の多くの種類の汚職を調査して検討する。
具体的には、特定の破損を入力としてポイントクラウドを分解し、エンコーダ・デコーダモデルを学び、元のポイントクラウドを破損したバージョンから再構築する。
論文 参考訳(メタデータ) (2022-11-13T08:02:03Z) - Learning a Structured Latent Space for Unsupervised Point Cloud
Completion [48.79411151132766]
部分点雲と完全点雲の両方を符号化する統一的で構造化された潜在空間を学習する新しいフレームワークを提案する。
提案手法は、合成ShapeNetと実世界のKITTI、ScanNet、Matterport3Dデータセットの両方において、最先端の教師なし手法を一貫して上回っている。
論文 参考訳(メタデータ) (2022-03-29T13:58:44Z) - Temporal Point Cloud Completion with Pose Disturbance [32.536545112645335]
限られた翻訳と回転によるポーズ乱れを伴うスパース入力から完全点雲を提供する。
また、時間情報を用いて完了モデルを強化し、入力シーケンスで出力を精算する。
我々のフレームワークは、時間的情報を利用して、限られた変換で時間的一貫性を確保する最初のフレームワークです。
論文 参考訳(メタデータ) (2022-02-07T11:41:12Z) - CP-Net: Contour-Perturbed Reconstruction Network for Self-Supervised
Point Cloud Learning [53.1436669083784]
本稿では,CP-Net(Contour-Perturbed Restruction Network)を提案する。
分類では、ModelNet40(92.5%の精度)とScanObjectNN(87.9%の精度)の完全教師付き手法で競合する結果を得る。
論文 参考訳(メタデータ) (2022-01-20T15:04:12Z) - A Conditional Point Diffusion-Refinement Paradigm for 3D Point Cloud
Completion [69.32451612060214]
実スキャンされた3Dポイントクラウドはしばしば不完全であり、下流アプリケーションのために完全なポイントクラウドを復元することが重要である。
ほとんどの既存のポイントクラウド補完方法は、トレーニングにチャンファー距離(CD)損失を使用する。
本稿では,点雲完了のためのPDR(Point Diffusion-Refinement)パラダイムを提案する。
論文 参考訳(メタデータ) (2021-12-07T06:59:06Z) - GRNet: Gridding Residual Network for Dense Point Cloud Completion [54.43648460932248]
完全な3Dポイントクラウドを不完全なクラウドから推定することは、多くのビジョンやロボティクスアプリケーションにおいて重要な問題である。
本稿では,ポイントクラウド補完のための新しいGridding Residual Network(GRNet)を提案する。
実験結果から,提案したGRNetはShapeNet,Completion3D,KITTIベンチマークの最先端手法に対して良好に動作することがわかった。
論文 参考訳(メタデータ) (2020-06-06T02:46:39Z)
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。