論文の概要: Hybrid Long and Short Range Flows for Point Cloud Filtering

• arxiv url: http://arxiv.org/abs/2508.08542v1
• Date: Tue, 12 Aug 2025 01:11:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-13 21:07:34.261651
• Title: Hybrid Long and Short Range Flows for Point Cloud Filtering
• Title（参考訳）: ポイントクラウドフィルタリングのためのハイブリッド長距離・短距離流れ
• Authors: Dasith de Silva Edirimuni, Xuequan Lu, Ajmal Saeed Mian, Lei Wei, Gang Li, Scott Schaefer, Ying He,
• Abstract要約: ポイントクラウドキャプチャプロセスはエラーを起こしやすく、フィルタリング/デノベーションを必要とするノイズの多いアーティファクトを導入します。 最近のフィルタリング手法は、しばしばポイントクラスタリングやノイズ保持の問題に悩まされる。 短距離フィルタと長距離フィルタリングの両方を考慮したハイブリッド・ポイント・クラウド・フィルタリングを提案する。
• 参考スコア（独自算出の注目度）: 13.976176051536275
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Point cloud capture processes are error-prone and introduce noisy artifacts that necessitate filtering/denoising. Recent filtering methods often suffer from point clustering or noise retaining issues. In this paper, we propose Hybrid Point Cloud Filtering ($\textbf{HybridPF}$) that considers both short-range and long-range filtering trajectories when removing noise. It is well established that short range scores, given by $\nabla_{x}\log p(x_t)$, may provide the necessary displacements to move noisy points to the underlying clean surface. By contrast, long range velocity flows approximate constant displacements directed from a high noise variant patch $x_0$ towards the corresponding clean surface $x_1$. Here, noisy patches $x_t$ are viewed as intermediate states between the high noise variant and the clean patches. Our intuition is that long range information from velocity flow models can guide the short range scores to align more closely with the clean points. In turn, score models generally provide a quicker convergence to the clean surface. Specifically, we devise two parallel modules, the ShortModule and LongModule, each consisting of an Encoder-Decoder pair to respectively account for short-range scores and long-range flows. We find that short-range scores, guided by long-range features, yield filtered point clouds with good point distributions and convergence near the clean surface. We design a joint loss function to simultaneously train the ShortModule and LongModule, in an end-to-end manner. Finally, we identify a key weakness in current displacement based methods, limitations on the decoder architecture, and propose a dynamic graph convolutional decoder to improve the inference process. Comprehensive experiments demonstrate that our HybridPF achieves state-of-the-art results while enabling faster inference speed.
• Abstract（参考訳）: ポイントクラウドキャプチャプロセスはエラーを起こしやすく、フィルタリング/デノベーションを必要とするノイズの多いアーティファクトを導入します。 最近のフィルタリング手法は、しばしばポイントクラスタリングやノイズ保持の問題に悩まされる。 本稿では,ノイズ除去時の短距離フィルタと長距離フィルタリングの両方を考慮したハイブリッド・ポイント・クラウド・フィルタリング($\textbf{HybridPF}$)を提案する。 ショートレンジスコアが$\nabla_{x}\log p(x_t)$によって与えられると、ノイズのある点を下層の清浄表面へ移動させるために必要な変位が得られることがよく確認されている。 対照的に、高雑音変動パッチ$x_0$から対応する清浄面$x_1$へ向けての長距離流速は、ほぼ一定変位である。 ここで、ノイズパッチ$x_t$は、高ノイズ変種とクリーンパッチの間の中間状態と見なされる。 我々の直感では、速度流モデルからの長距離情報は短い範囲のスコアを導き、よりクリーンな点とより緊密に一致させることができる。 逆に、スコアモデルは一般にクリーン表面へのより早い収束を提供する。 具体的には,2つの並列モジュールであるShortModuleとLongModuleを提案し,それぞれがEncoder-Decoderペアで構成されている。 長距離特徴によって導かれる短距離スコアは, 良好な点分布と清浄表面近傍の収束度を有するフィルタされた点雲を生じさせる。 我々は,ショートモジュールとロングモジュールをエンドツーエンドで同時に訓練するための共同損失関数を設計する。 最後に、現在の変位に基づく手法における重要な弱点、デコーダアーキテクチャ上の制約を特定し、推論プロセスを改善するための動的グラフ畳み込みデコーダを提案する。 総合的な実験により、HybridPFはより高速な推論速度を実現しつつ、最先端の結果を達成することが実証された。

関連論文リスト

• EC-Diff: Fast and High-Quality Edge-Cloud Collaborative Inference for Diffusion Models [57.059991285047296]
  高速な推論と高品質な生成を実現するために,ハイブリッドエッジクラウドコラボレーションフレームワークが最近提案されている。 過度の雲が推論時間を延ばす一方、不十分なステップは意味的な曖昧さを引き起こし、エッジモデルの出力の不整合を引き起こす。 勾配に基づく雑音推定により雲の推測を高速化するEC-Diffを提案する。 提案手法は, エッジ推定に比べて生成品質を著しく向上する一方で, クラウド推定に比べて平均2倍の速度アップを達成できる。
  論文  参考訳（メタデータ） (2025-07-16T07:23:14Z)
• Flow Diverse and Efficient: Learning Momentum Flow Matching via Stochastic Velocity Field Sampling [23.57202605415588]
  フローベース拡散モデルにおける新しい最先端技術として整流流(RF)が出現している。 本稿では,新しい整流モデルである離散RFについて述べる。 本稿では,その方向を変えるためにサブパスのベロシティ$bm対$のノイズを導入し,多様性とマルチスケールノイズモデリング能力を向上する。
  論文  参考訳（メタデータ） (2025-06-10T13:44:49Z)
• 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)
• StraightPCF: Straight Point Cloud Filtering [50.66412286723848]
  ポイントクラウドフィルタリングは、基礎となるクリーンな表面を回復しながらノイズを取り除くことを目的とした、基本的な3Dビジョンタスクである。 我々は、ポイントクラウドフィルタリングのための新しいディープラーニングベースの方法であるStraightPCFを紹介する。 ノイズの多い点を直線に沿って移動させることで、離散化誤差を低減し、クリーン表面への高速な収束を保証する。
  論文  参考訳（メタデータ） (2024-05-14T05:41:59Z)
• IterativePFN: True Iterative Point Cloud Filtering [18.51768749680731]
  基本的な3Dビジョンタスクは、ポイントクラウドフィルタリング(point cloud filtering)またはデノイング(denoising)として知られるノイズの除去である。 本報告では,本フィルタを内部でモデル化する複数のイテレーションで構成されたIterativePFN(Iterative Cloud Filtering Network)を提案する。 我々の手法は最先端の手法よりも優れた性能が得られる。
  論文  参考訳（メタデータ） (2023-04-04T04:47:44Z)
• Improving Dual-Encoder Training through Dynamic Indexes for Negative Mining [61.09807522366773]
  本稿では,ソフトマックスを証明可能な境界で近似し,木を動的に維持するアルゴリズムを提案する。 我々は,2000万以上のターゲットを持つデータセットについて検討し,オラクル・ブルート力負の鉱業に関して,誤差を半分に削減した。
  論文  参考訳（メタデータ） (2023-03-27T15:18:32Z)
• PUFA-GAN: A Frequency-Aware Generative Adversarial Network for 3D Point Cloud Upsampling [56.463507980857216]
  本稿では,点群アップサンプリングのための生成的対向ネットワークを提案する。 基底表面に均等に分布するアップサンプリングポイントを作成できるだけでなく、クリーンな高周波領域を効率的に生成することができる。
  論文  参考訳（メタデータ） (2022-03-02T07:47:46Z)
• Score-Based Point Cloud Denoising [26.090445369658312]
  走査装置から取得した点雲は、しばしばノイズによって乱れ、表面の再構成や解析のような下流のタスクに影響を及ぼす。 我々は,各点の位置を反復的に更新することにより,各点のログ類似度を,勾配上昇による$p * n$から増加させることを提案する。 ネットワークを訓練する目的関数を導出し,推定したスコアを活かした復調アルゴリズムを開発する。
  論文  参考訳（メタデータ） (2021-07-23T01:13:03Z)
• Learning to Estimate Hidden Motions with Global Motion Aggregation [71.12650817490318]
  閉塞は、局所的な証拠に依存する光学フローアルゴリズムに重大な課題をもたらす。 最初の画像でピクセル間の長距離依存性を見つけるために,グローバルモーションアグリゲーションモジュールを導入する。 遮蔽領域における光流量推定が非遮蔽領域における性能を損なうことなく大幅に改善できることを実証した。
  論文  参考訳（メタデータ） (2021-04-06T10:32:03Z)

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。