論文の概要: APML: Adaptive Probabilistic Matching Loss for Robust 3D Point Cloud Reconstruction

• arxiv url: http://arxiv.org/abs/2509.08104v1
• Date: Tue, 09 Sep 2025 19:31:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-11 15:16:52.235008
• Title: APML: Adaptive Probabilistic Matching Loss for Robust 3D Point Cloud Reconstruction
• Title（参考訳）: APML:ロバスト3Dポイントクラウド再構築のための適応的確率的マッチング損失
• Authors: Sasan Sharifipour, Constantino Álvarez Casado, Mohammad Sabokrou, Miguel Bordallo López,
• Abstract要約: 点クラウド予測タスクのためのディープラーニングモデルのトレーニングは、予測点と接地真実点の差を測定する損失関数に大きく依存する。 本稿では,一対一マッチングの完全微分可能近似である適応確率マッチング損失(APML)を提案する。 温度を解析的に計算して最小限の確率を保証し、手動チューニングを除去する。
• 参考スコア（独自算出の注目度）: 16.82777427285544
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Training deep learning models for point cloud prediction tasks such as shape completion and generation depends critically on loss functions that measure discrepancies between predicted and ground-truth point sets. Commonly used functions such as Chamfer Distance (CD), HyperCD, and InfoCD rely on nearest-neighbor assignments, which often induce many-to-one correspondences, leading to point congestion in dense regions and poor coverage in sparse regions. These losses also involve non-differentiable operations due to index selection, which may affect gradient-based optimization. Earth Mover Distance (EMD) enforces one-to-one correspondences and captures structural similarity more effectively, but its cubic computational complexity limits its practical use. We propose the Adaptive Probabilistic Matching Loss (APML), a fully differentiable approximation of one-to-one matching that leverages Sinkhorn iterations on a temperature-scaled similarity matrix derived from pairwise distances. We analytically compute the temperature to guarantee a minimum assignment probability, eliminating manual tuning. APML achieves near-quadratic runtime, comparable to Chamfer-based losses, and avoids non-differentiable operations. When integrated into state-of-the-art architectures (PoinTr, PCN, FoldingNet) on ShapeNet benchmarks and on a spatiotemporal Transformer (CSI2PC) that generates 3D human point clouds from WiFi CSI measurements, APM loss yields faster convergence, superior spatial distribution, especially in low-density regions, and improved or on-par quantitative performance without additional hyperparameter search. The code is available at: https://github.com/apm-loss/apml.
• Abstract（参考訳）: 形状完了や生成などの点雲予測タスクのためのディープラーニングモデルの訓練は、予測された点集合と接地した点集合との差を測定する損失関数に大きく依存する。 一般的に使われるChamfer Distance (CD)、HyperCD、InfoCDのような関数は、近隣の割り当てに依存しており、多くの場合、多くの対1の通信を誘導し、密集した地域での混雑と疎開な地域での悪影響をもたらす。 これらの損失は指数選択による微分不可能な演算も含み、勾配に基づく最適化に影響を及ぼす可能性がある。 Earth Mover Distance (EMD)は、1対1の対応を強制し、構造的類似性をより効果的に捉えるが、その3乗計算の複雑さは実用的利用を制限する。 本研究では, 温度スケールの類似度行列上でシンクホーンの繰り返しを利用する一対一マッチングの完全微分可能な近似である適応確率マッチング損失(APML)を提案する。 温度を解析的に計算し、最小の割り当て確率を保証し、手動チューニングを除去する。 APMLは、Chamferベースの損失に匹敵するほぼクアッドラティックランタイムを実現し、微分不可能な操作を回避する。 ShapeNetベンチマークおよびWiFi CSI測定から3次元の人点雲を生成する時空間変換器(CSI2PC)上で、最先端アーキテクチャ(PoinTr, PCN, FoldingNet)に統合されると、APM損失はより早く収束し、特に低密度領域における空間分布が向上し、ハイパーパラメータサーチを付加せずに改善またはオンパー量性能が向上する。 コードは、https://github.com/apm-loss/apml.comで入手できる。

関連論文リスト

• APCoTTA: Continual Test-Time Adaptation for Semantic Segmentation of Airborne LiDAR Point Clouds [14.348191795901101]
  空中レーザースキャン(ALS)ポイントクラウドセグメンテーションは、大規模3Dシーン理解の基本的な課題である。 Continuous Test-Time Adaptation (CTTA)は、ソース予測モデルを適用して、未ラベルのターゲットドメインを進化させるソリューションを提供する。 我々は,ALSポイントクラウドセマンティックセグメンテーションに適した最初のCTTA手法であるAPCoTTAを提案する。
  論文  参考訳（メタデータ） (2025-05-15T05:21:16Z)
• POPoS: Improving Efficient and Robust Facial Landmark Detection with Parallel Optimal Position Search [34.50794776762681]
  本稿では,高精度符号化・復号化フレームワークであるParallel Optimal Position Search (POPoS)を紹介する。 Pseudo-range multilaterationは、ヒートマップエラーの修正に使われ、ランドマークのローカライゼーション精度が向上する。 1ステップの並列計算アルゴリズムを導入し、計算効率を高め、処理時間を短縮する。
  論文  参考訳（メタデータ） (2024-10-12T16:28:40Z)
• OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
  学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。 OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。 最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
  論文  参考訳（メタデータ） (2024-09-14T07:44:22Z)
• ICET Online Accuracy Characterization for Geometry-Based Laser Scan Matching [0.0]
  Iterative Closest Ellipsoidal Transform (ICET)は、新しい3D LIDARスキャンマッチングアルゴリズムである。 ICETは、常にサブセンチメートルの精度でスキャンマッチングを行うことを示す。 このレベルの精度は、アルゴリズムが完全に解釈可能であるという事実と相まって、安全クリティカルな輸送用途に適している。
  論文  参考訳（メタデータ） (2023-06-14T18:21:45Z)
• Unleash the Potential of 3D Point Cloud Modeling with A Calibrated Local Geometry-driven Distance Metric [62.365983810610985]
  そこで我々は,Callibated Local Geometry Distance (CLGD) と呼ばれる新しい距離測定法を提案する。 CLGDは、基準点の集合によってキャリブレーションされ誘導される基礎となる3次元表面の差を計算する。 一般的な指標として、CLGDは3Dポイントのクラウドモデリングを前進させる可能性がある。
  論文  参考訳（メタデータ） (2023-06-01T11:16:20Z)
• Enhanced Laser-Scan Matching with Online Error Estimation for Highway and Tunnel Driving [0.0]
  Lidarデータは、自動運転車やモバイルロボットプラットフォームのナビゲーションのためのポイントクラウドを生成するために使用できる。 本稿では,2つの新しい改良点を提供するスキャンマッチングアルゴリズムであるIterative Closest Ellipsoidal Transform (ICET)を提案する。
  論文  参考訳（メタデータ） (2022-07-29T13:42:32Z)
• Dynamic Convolution for 3D Point Cloud Instance Segmentation [146.7971476424351]
  動的畳み込みに基づく3次元点雲からのインスタンスセグメンテーション手法を提案する。 我々は、同じ意味圏と閉投票を持つ等質点を幾何学的遠近点に対して収集する。 提案手法は提案不要であり、代わりに各インスタンスの空間的および意味的特性に適応する畳み込みプロセスを利用する。
  論文  参考訳（メタデータ） (2021-07-18T09:05:16Z)
• LSG-CPD: Coherent Point Drift with Local Surface Geometry for Point Cloud Registration [1.8876415010297891]
  剛点雲登録のための局所表面形状法 (LSG-CPD) を用いた CPD と呼ばれる新しい手法を提案する。 本手法は,局所表面の平坦度に基づいて,点対面のペナリゼーションに異なるレベルのペナリゼーションを適応的に付加する。 CPDの現代の実装よりもはるかに高速です。
  論文  参考訳（メタデータ） (2021-03-28T03:46:41Z)
• DyCo3D: Robust Instance Segmentation of 3D Point Clouds through Dynamic Convolution [136.7261709896713]
  本稿では,インスタンスの性質に応じて適切な畳み込みカーネルを生成するデータ駆動型アプローチを提案する。 提案手法はScanetNetV2とS3DISの両方で有望な結果が得られる。 また、現在の最先端よりも推論速度を25%以上向上させる。
  論文  参考訳（メタデータ） (2020-11-26T14:56:57Z)
• AQD: Towards Accurate Fully-Quantized Object Detection [94.06347866374927]
  本稿では,浮動小数点演算を除去するために,AQDと呼ばれる高精度な量子化オブジェクト検出ソリューションを提案する。 我々のAQDは、非常に低ビットのスキームの下での完全精度と比較して、同等またはそれ以上の性能を実現しています。
  論文  参考訳（メタデータ） (2020-07-14T09:07:29Z)

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。