論文の概要: UPP: Unified Point-Level Prompting for Robust Point Cloud Analysis

• arxiv url: http://arxiv.org/abs/2507.18997v1
• Date: Fri, 25 Jul 2025 06:54:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-28 16:16:48.851182
• Title: UPP: Unified Point-Level Prompting for Robust Point Cloud Analysis
• Title（参考訳）: UPP:ロバストポイントクラウド分析のための統一ポイントレベルプロンプト
• Authors: Zixiang Ai, Zhenyu Cui, Yuxin Peng, Jiahuan Zhou,
• Abstract要約: 既存の方法は、専用のデノベーションと完了モデルを開発することによって、ポイントクラウドの品質を向上させることに重点を置いている。 本稿では,点雲の復調と完了をプロンプト機構として再構成する統一点レベルプロンプト手法を提案する。 4つのデータセットに対する大規模な実験は、ノイズや不完全点のクラウドデータを扱う際の方法の優位性と堅牢性を示している。
• 参考スコア（独自算出の注目度）: 36.565699477170504
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Pre-trained point cloud analysis models have shown promising advancements in various downstream tasks, yet their effectiveness is typically suffering from low-quality point cloud (i.e., noise and incompleteness), which is a common issue in real scenarios due to casual object occlusions and unsatisfactory data collected by 3D sensors. To this end, existing methods focus on enhancing point cloud quality by developing dedicated denoising and completion models. However, due to the isolation between the point cloud enhancement and downstream tasks, these methods fail to work in various real-world domains. In addition, the conflicting objectives between denoising and completing tasks further limit the ensemble paradigm to preserve critical geometric features. To tackle the above challenges, we propose a unified point-level prompting method that reformulates point cloud denoising and completion as a prompting mechanism, enabling robust analysis in a parameter-efficient manner. We start by introducing a Rectification Prompter to adapt to noisy points through the predicted rectification vector prompts, effectively filtering noise while preserving intricate geometric features essential for accurate analysis. Sequentially, we further incorporate a Completion Prompter to generate auxiliary point prompts based on the rectified point clouds, facilitating their robustness and adaptability. Finally, a Shape-Aware Unit module is exploited to efficiently unify and capture the filtered geometric features for the downstream point cloud analysis.Extensive experiments on four datasets demonstrate the superiority and robustness of our method when handling noisy and incomplete point cloud data against existing state-of-the-art methods. Our code is released at https://github.com/zhoujiahuan1991/ICCV2025-UPP.
• Abstract（参考訳）: 事前訓練されたポイントクラウド分析モデルは、様々な下流タスクにおいて有望な進歩を示しているが、その効果は通常、低品質のポイントクラウド(すなわちノイズと不完全性)に悩まされている。 この目的のために、既存の手法は、専用のデノジングと完了モデルを開発することにより、ポイントクラウドの品質を向上させることに重点を置いている。 しかし、ポイントクラウドエンハンスメントとダウンストリームタスクの分離のため、これらのメソッドは様々な現実世界のドメインで機能しない。 さらに、タスクの分節化と完了の相反する目的は、重要な幾何学的特徴を維持するためのアンサンブルパラダイムをさらに制限している。 このような課題に対処するため,本研究では,パラメータ効率のよいロバスト解析を実現するために,点雲の復調と完了をプロンプト機構として再構成する一貫した点レベルプロンプト手法を提案する。 まず,予測整合ベクトルプロンプトを通じて雑音に適応する整流プロンプタを導入し,高精度な解析に不可欠な複雑な幾何学的特徴を保ちながら,効果的に雑音をフィルタリングする。 さらにコンプリートプロンプタを組み込んで、修正点雲に基づいて補助点プロンプトを生成し、その堅牢性と適応性を促進する。 最後に、Shape-Aware Unitモジュールを利用して、下流点クラウド分析のためのフィルタリングされた幾何学的特徴を効率よく統一し、キャプチャし、4つのデータセットに対する実験により、既存の最先端手法に対するノイズおよび不完全点クラウドデータを扱う際の、我々の方法の優位性とロバスト性を実証した。 私たちのコードはhttps://github.com/zhoujiahuan 1991/ICCV2025-UPPで公開されています。

関連論文リスト

• RBFIM: Perceptual Quality Assessment for Compressed Point Clouds Using Radial Basis Function Interpolation [58.04300937361664]
  ポイントクラウド圧縮(PCC)の主な課題の1つは、知覚的品質にRBを最適化できるように、認識された歪みを評価する方法である。 本稿では、放射基底関数(RBF)を用いて離散点特徴を歪み点雲の連続特徴関数に変換する新しい評価法を提案する。
  論文  参考訳（メタデータ） (2025-03-18T11:25:55Z)
• Bridging Domain Gap of Point Cloud Representations via Self-Supervised Geometric Augmentation [15.881442863961531]
  領域間の点雲表現の幾何学的不変性を誘導する新しいスキームを提案する。 一方、点雲のセントロイドシフトを軽減するために、拡張サンプルの距離の変換を予測するための新しいプレテキストタスクが提案されている。 一方,我々は幾何学的に拡張された点雲上での自己教師付き関係学習の統合を開拓した。
  論文  参考訳（メタデータ） (2024-09-11T02:39:19Z)
• Enhancing Sampling Protocol for Point Cloud Classification Against Corruptions [7.734037486455235]
  我々は,ポイントクラウドの破損に対するロバスト性を改善するために,ポイントSPという拡張されたポイントクラウドサンプリングプロトコルを提案する。 PointSPはキーポイント再重み付けを導入し、外部感度を緩和し、代表点の選択を確実にする。 また、スケーラブルで適応的なサンプリングを可能にする、局所的なバランスの取れたダウンサンプリング戦略も導入されている。
  論文  参考訳（メタデータ） (2024-08-22T01:48:31Z)
• 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)
• Point Cloud Pre-training with Diffusion Models [62.12279263217138]
  我々は、ポイントクラウド拡散事前学習(PointDif)と呼ばれる新しい事前学習手法を提案する。 PointDifは、分類、セグメンテーション、検出など、さまざまな下流タスクのために、さまざまな現実世界のデータセット間で大幅に改善されている。
  論文  参考訳（メタデータ） (2023-11-25T08:10:05Z)
• Risk-optimized Outlier Removal for Robust 3D Point Cloud Classification [54.286437930350445]
  本稿では,各種ノイズによる点雲分類の課題について述べる。 本稿では,下流分類モデルのパワーを生かした革新的なポイントアウトリア浄化手法を提案する。 提案手法は, 多様な点雲の異常値を頑健にフィルタするだけでなく, 既存の点雲分類手法を大幅に強化する。
  論文  参考訳（メタデータ） (2023-07-20T13:47:30Z)
• Grad-PU: Arbitrary-Scale Point Cloud Upsampling via Gradient Descent with Learned Distance Functions [77.32043242988738]
  我々は、任意のアップサンプリングレートをサポートする、正確なポイントクラウドアップサンプリングのための新しいフレームワークを提案する。 提案手法は,まず,所定のアップサンプリング率に応じて低解像度の雲を補間する。
  論文  参考訳（メタデータ） (2023-04-24T06:36:35Z)
• PointCAT: Contrastive Adversarial Training for Robust Point Cloud Recognition [111.55944556661626]
  我々は、ポイントクラウド認識モデルの堅牢性を高めるために、PointCAT(Point-Cloud Contrastive Adversarial Training)を提案する。 我々は、教師付きコントラスト損失を利用して、認識モデルにより抽出された超球面特徴のアライメントと均一性を促進する。 より難易度の高い点雲を実現するため,認識モデルと逆向きにノイズ発生装置をスクラッチから訓練する。
  論文  参考訳（メタデータ） (2022-09-16T08:33:04Z)
• High-Fidelity Point Cloud Completion with Low-Resolution Recovery and Noise-Aware Upsampling [7.1930172833530195]
  我々はまず、低解像度(低解像度)の点雲をデコードし、洗練することを提案する。 スパースで完全点クラウドを得た後、パッチワイズアップサンプリング戦略を提案する。
  論文  参考訳（メタデータ） (2021-12-21T14:51:52Z)

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。