論文の概要: Preserving Topological and Geometric Embeddings for Point Cloud Recovery
- arxiv url: http://arxiv.org/abs/2507.19121v1
- Date: Fri, 25 Jul 2025 09:58:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-28 16:16:48.912601
- Title: Preserving Topological and Geometric Embeddings for Point Cloud Recovery
- Title（参考訳）: ポイント・クラウド・リカバリのためのトポロジカル・幾何学的埋め込みの保存
- Authors: Kaiyue Zhou, Zelong Tan, Hongxiao Wang, Ya-li Li, Shengjin Wang,
- Abstract要約: 我々は,サンプリングおよび復元フェーズを通じて重要な機能を維持する,textbfTopGeoFormer というエンドツーエンドアーキテクチャを提案する。
実験では,従来型および学習型サンプリング/アップサンプリングアルゴリズムを用いて,その状況を包括的に分析する。
- 参考スコア（独自算出の注目度）: 43.26116605528137
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Recovering point clouds involves the sequential process of sampling and restoration, yet existing methods struggle to effectively leverage both topological and geometric attributes. To address this, we propose an end-to-end architecture named \textbf{TopGeoFormer}, which maintains these critical features throughout the sampling and restoration phases. First, we revisit traditional feature extraction techniques to yield topological embedding using a continuous mapping of relative relationships between neighboring points, and integrate it in both phases for preserving the structure of the original space. Second, we propose the \textbf{InterTwining Attention} to fully merge topological and geometric embeddings, which queries shape with local awareness in both phases to form a learnable shape context facilitated with point-wise, point-shape-wise, and intra-shape features. Third, we introduce a full geometry loss and a topological constraint loss to optimize the embeddings in both Euclidean and topological spaces. The geometry loss uses inconsistent matching between coarse-to-fine generations and targets for reconstructing better geometric details, and the constraint loss limits embedding variances for better approximation of the topological space. In experiments, we comprehensively analyze the circumstances using the conventional and learning-based sampling/upsampling algorithms. The quantitative and qualitative results demonstrate that our method significantly outperforms existing sampling and recovery methods.
- Abstract（参考訳）: 点雲の復元には、サンプリングと復元のシーケンシャルなプロセスが伴うが、既存の手法では、トポロジカルな属性と幾何学的な属性の両方を効果的に活用するのに苦労している。
これを解決するために、サンプリングと復元フェーズを通じてこれらの重要な特徴を維持できる、‘textbf{TopGeoFormer}’というエンドツーエンドアーキテクチャを提案する。
まず,隣り合う点間の相対関係の連続写像を用いて,従来の特徴抽出手法を再検討し,元の空間の構造を保存するための両相に統合する。
第2に,位相的および幾何学的埋め込みを完全マージし,各位相の局所的な認識を問う問合せを行い,点・点・点・点・点・点・点・点・点・点・点間の特徴で容易に学習可能な形状コンテキストを形成することを提案する。
第3に、ユークリッド空間と位相空間の両方の埋め込みを最適化するために、全幾何学的損失と位相的制約損失を導入する。
幾何損失は、粗大な世代間の一貫性のないマッチングと、より優れた幾何学的詳細を再構成するためのターゲット、および位相空間のよりよい近似のための分散を埋め込む制約損失制限を用いる。
実験では,従来型および学習型サンプリング/アップサンプリングアルゴリズムを用いて,その状況を包括的に分析する。
定量的および定性的な結果から,本手法は既存のサンプリング・リカバリ法より有意に優れていることが示された。
関連論文リスト
- Latent Manifold Reconstruction and Representation with Topological and Geometrical Regularization [1.8335627278682702]
本稿では,雑音の多い点群から潜在多様体構造を発見できる,多様体再構成層を統合するAutoEncoderに基づく手法を提案する。
ポイントクラウドデータセットの実験では、この手法がt-SNE、UMAP、トポロジカルオートエンコーダといったベースラインより優れていることが示された。
論文 参考訳（メタデータ） (2025-05-07T13:47:22Z) - STITCH: Surface reconstrucTion using Implicit neural representations with Topology Constraints and persistent Homology [23.70495314317551]
スパースおよび不規則に間隔を置いた点雲のニューラル暗黙表面再構成のための新しいアプローチSTITCHを提案する。
連続ホモロジーに基づく新しい微分可能なフレームワークを開発し、トポロジ的損失項を定式化し、1つの2次元多様体オブジェクトの先行を強制する。
論文 参考訳（メタデータ） (2024-12-24T22:55:35Z) - Topology-Aware 3D Gaussian Splatting: Leveraging Persistent Homology for Optimized Structural Integrity [3.792470553976718]
本研究はトポロジーを意識した3次元ガウス散乱(トポロジー-GS)を紹介する。
トポロジー-GSは、不完全な初期幾何学的カバレッジのためにピクセルレベルの構造的整合性を損なう。
3つの新しいビューベンチマーク実験により、PSNR、SSIM、LPIPSの指標で、Topology-GSが既存の手法より優れていることが示された。
論文 参考訳（メタデータ） (2024-12-21T13:25:03Z) - Flexible Mesh Segmentation via Reeb Graph Representation of Geometrical and Topological Features [0.0]
本稿では, フレキシブルリーブグラフ表現を用いて幾何学的特徴と位相的特徴を統合するメッシュセグメンテーション手法を提案する。
このアルゴリズムは,改良されたトポロジカルスケルトンアプローチを用いたリーブグラフの構築,重要な特徴を保ちながら臨界点のキャンセルによるグラフの位相的単純化,適応的な領域成長過程による連続セグメントの生成の3段階からなる。
論文 参考訳（メタデータ） (2024-12-05T23:04:45Z) - Relative Representations: Topological and Geometric Perspectives [53.88896255693922]
相対表現はゼロショットモデルの縫合に対する確立されたアプローチである。
相対変換において正規化手順を導入し、非等方的再スケーリングや置換に不変となる。
第二に、クラス内のクラスタリングを促進するトポロジカル正規化損失である、微調整された相対表現におけるトポロジカルデシフィケーションの展開を提案する。
論文 参考訳（メタデータ） (2024-09-17T08:09:22Z) - Adaptive Surface Normal Constraint for Geometric Estimation from Monocular Images [56.86175251327466]
本稿では,幾何学的文脈を取り入れつつ,画像から深度や表面正規度などの測地を学習するための新しい手法を提案する。
提案手法は,入力画像に存在する幾何学的変動を符号化した幾何学的文脈を抽出し,幾何的制約と深度推定を相関付ける。
本手法は,画像から高品質な3次元形状を生成可能な密着型フレームワーク内での深度と表面の正規分布推定を統一する。
論文 参考訳（メタデータ） (2024-02-08T17:57:59Z) - Exploring Data Geometry for Continual Learning [64.4358878435983]
非定常データストリームのデータ幾何を探索することにより,新しい視点から連続学習を研究する。
提案手法は,新しいデータによって引き起こされる幾何構造に対応するために,基底空間の幾何学を動的に拡張する。
実験により,本手法はユークリッド空間で設計したベースライン法よりも優れた性能が得られることが示された。
論文 参考訳（メタデータ） (2023-04-08T06:35:25Z) - Curved Geometric Networks for Visual Anomaly Recognition [39.91252195360767]
データ分布の根底にある性質を理解するために潜伏埋め込みを学ぶことは、曲率ゼロのユークリッド空間でしばしば定式化される。
本研究では,データ中の異常やアウト・オブ・ディストリビューション・オブジェクトを解析するための曲線空間の利点について検討する。
論文 参考訳（メタデータ） (2022-08-02T01:15:39Z) - Adaptive Surface Normal Constraint for Depth Estimation [102.7466374038784]
アダプティブサーフェスノーマル(ASN)制約と呼ばれるシンプルで効果的な手法を導入し、深さ推定と幾何学的一貫性を相関させます。
本手法は3次元形状を忠実に再構成でき,境界,鋭角,雑音などの局所形状変化に頑健である。
論文 参考訳（メタデータ） (2021-03-29T10:36:25Z) - Primal-Dual Mesh Convolutional Neural Networks [62.165239866312334]
本稿では,グラフ・ニューラル・ネットワークの文献からトライアングル・メッシュへ引き起こされた原始双対のフレームワークを提案する。
提案手法は,3次元メッシュのエッジと顔の両方を入力として特徴付け,動的に集約する。
メッシュ単純化の文献から得られたツールを用いて、我々のアプローチに関する理論的知見を提供する。
論文 参考訳（メタデータ） (2020-10-23T14:49:02Z)
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。