論文の概要: Deep Learning For Point Cloud Denoising: A Survey

• arxiv url: http://arxiv.org/abs/2508.11932v1
• Date: Sat, 16 Aug 2025 06:25:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-19 14:49:10.462431
• Title: Deep Learning For Point Cloud Denoising: A Survey
• Title（参考訳）: ポイントクラウドのDenoisingのためのディープラーニング - 調査より
• Authors: Chengwei Zhang, Xueyi Zhang, Mingrui Lao, Tao Jiang, Xinhao Xu, Wenjie Li, Fubo Zhang, Longyong Chen,
• Abstract要約: 実世界の環境由来の点雲は、様々なモダリティや強度にわたって必ずノイズを示す。 ダウンストリームタスクパフォーマンスを改善するための前処理ステップとして,ポイントクラウドデノイング(PCD)が不可欠である。 深層学習(DL)ベースのPCDモデルは、その強力な表現能力と柔軟なアーキテクチャで知られており、性能を損なう従来の手法を超越している。
• 参考スコア（独自算出の注目度）: 11.719203251478959
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Real-world environment-derived point clouds invariably exhibit noise across varying modalities and intensities. Hence, point cloud denoising (PCD) is essential as a preprocessing step to improve downstream task performance. Deep learning (DL)-based PCD models, known for their strong representation capabilities and flexible architectures, have surpassed traditional methods in denoising performance. To our best knowledge, despite recent advances in performance, no comprehensive survey systematically summarizes the developments of DL-based PCD. To fill the gap, this paper seeks to identify key challenges in DL-based PCD, summarizes the main contributions of existing methods, and proposes a taxonomy tailored to denoising tasks. To achieve this goal, we formulate PCD as a two-step process: outlier removal and surface noise restoration, encompassing most scenarios and requirements of PCD. Additionally, we compare methods in terms of similarities, differences, and respective advantages. Finally, we discuss research limitations and future directions, offering insights for further advancements in PCD.
• Abstract（参考訳）: 実世界の環境由来の点雲は、様々なモダリティや強度にわたって必ずノイズを示す。 したがって、ダウンストリームタスク性能を改善するための前処理ステップとして、ポイントクラウドデノイング(PCD)が不可欠である。 深層学習(DL)ベースのPCDモデルは、その強力な表現能力と柔軟なアーキテクチャで知られており、性能を損なう従来の手法を超越している。 我々の知る限り、近年の性能向上にもかかわらず、DLベースのPCDの開発を体系的にまとめた総合的な調査は行われていない。 このギャップを埋めるために,本論文では,DLベースのPCDにおける重要な課題を特定し,既存の手法の主な貢献を要約し,タスクの認知に適した分類法を提案する。 この目的を達成するために,PCDを2段階のプロセスとして定式化し,PCDのほとんどのシナリオと要件を包含して外周除去と表面雑音の復元を行う。 さらに、類似性、相違点、およびそれぞれの利点の観点から手法を比較する。 最後に,研究の限界と今後の方向性について論じ,PCDのさらなる進歩に向けた洞察を提供する。

関連論文リスト

• Towards Robust Transcription: Exploring Noise Injection Strategies for Training Data Augmentation [55.752737615873464]
  本研究では,SNR(Signal-to-Noise Ratio)レベルにおける白色雑音の影響について検討した。 この研究は、様々な音環境における一貫した性能を維持する転写モデルの開発に向けた予備的な研究として、貴重な洞察を与えてくれることを願っている。
  論文  参考訳（メタデータ） (2024-10-18T02:31:36Z)
• Training with Differential Privacy: A Gradient-Preserving Noise Reduction Approach with Provable Security [19.683286866372832]
  我々は,GReDPと呼ばれる,より堅牢で確実な個人訓練手法を提案する。 これまでの研究とは異なり、我々のGReDPはDPSGDに比べてノイズスケールの半分しか必要としない。
  論文  参考訳（メタデータ） (2024-09-18T03:01:27Z)
• Denoising Pre-Training and Customized Prompt Learning for Efficient Multi-Behavior Sequential Recommendation [69.60321475454843]
  マルチビヘイビアシークエンシャルレコメンデーションに適した,最初の事前学習および迅速な学習パラダイムであるDPCPLを提案する。 事前学習段階において,複数の時間スケールでノイズを除去する新しい行動マイナ (EBM) を提案する。 次に,提案するCustomized Prompt Learning (CPL)モジュールを用いて,事前学習したモデルを高効率にチューニングすることを提案する。
  論文  参考訳（メタデータ） (2024-08-21T06:48:38Z)
• Inverse-RLignment: Large Language Model Alignment from Demonstrations through Inverse Reinforcement Learning [62.05713042908654]
  本稿では,これらの課題を克服するために,高品質な実演データを活用する新しいアプローチであるAlignment from Demonstrations (AfD)を紹介する。 AfDをシーケンシャルな意思決定フレームワークで形式化し、報酬信号の欠如というユニークな課題を強調します。 そこで本研究では,AfD に適した報酬モデル上で補間を行う計算効率のよいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-05-24T15:13:53Z)
• Deep Learning-Based Point Cloud Registration: A Comprehensive Survey and Taxonomy [79.66031973540946]
  深層学習に基づくポイントクラウド登録(DL-PCR)に関する総合的な調査と分類について述べる。 DL-PCR法では,登録手続きを含む重要な側面から議論を整理する。 我々はこれらを,ポイント・ツー・ポイント対応の明示的な識別を必要とするかどうかに応じて,対応ベースおよび対応不要なアプローチに分類する。
  論文  参考訳（メタデータ） (2024-04-22T02:05:15Z)
• DIDA: Denoised Imitation Learning based on Domain Adaptation [28.36684781402964]
  ノイズのあるデータから学習するためには、模倣者が必要とされるLND(Learning from Noisy Demonstrations)の問題に焦点を当てる。 本稿では、雑音レベルと専門知識レベルを区別する2つの識別器を設計する、ドメイン適応(DIDA)に基づくDenoized Imitation Learningを提案する。 MuJoCoの実験結果は、DIDAが様々な種類のノイズを持つデモから挑戦的な模倣タスクをうまく処理できることを示した。
  論文  参考訳（メタデータ） (2024-04-04T11:29:05Z)
• Offline Reinforcement Learning with Instrumental Variables in Confounded Markov Decision Processes [93.61202366677526]
  未測定の共同設立者を対象にオフライン強化学習(RL)について検討した。 そこで本稿では, 最適クラスポリシーを見つけるための, 有限サンプルの準最適性を保証した多種多様なポリシー学習手法を提案する。
  論文  参考訳（メタデータ） (2022-09-18T22:03:55Z)
• Unsupervised learning of disentangled representations in deep restricted kernel machines with orthogonality constraints [15.296955630621566]
  Constr-DRKMは、非教師なしデータ表現の学習のためのディープカーネル手法である。 本研究では,不整合特徴学習における提案手法の有効性を定量的に評価する。
  論文  参考訳（メタデータ） (2020-11-25T11:40:10Z)

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。