論文の概要: Adaptive and Iterative Point Cloud Denoising with Score-Based Diffusion Model
- arxiv url: http://arxiv.org/abs/2509.14560v1
- Date: Thu, 18 Sep 2025 02:46:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-19 17:26:53.034696
- Title: Adaptive and Iterative Point Cloud Denoising with Score-Based Diffusion Model
- Title（参考訳）: スコアベース拡散モデルによる適応点雲と反復点雲
- Authors: Zhaonan Wang, Manyi Li, ShiQing Xin, Changhe Tu,
- Abstract要約: 本稿では,スコアベース拡散モデルに基づく適応的かつ反復的な点雲復調法を提案する。
最先端のポイント・クラウド・デノナイズ手法と比較して,本手法はクリーンでスムーズなポイント・クラウドを得る。
- 参考スコア（独自算出の注目度）: 23.838316718788988
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Point cloud denoising task aims to recover the clean point cloud from the scanned data coupled with different levels or patterns of noise. The recent state-of-the-art methods often train deep neural networks to update the point locations towards the clean point cloud, and empirically repeat the denoising process several times in order to obtain the denoised results. It is not clear how to efficiently arrange the iterative denoising processes to deal with different levels or patterns of noise. In this paper, we propose an adaptive and iterative point cloud denoising method based on the score-based diffusion model. For a given noisy point cloud, we first estimate the noise variation and determine an adaptive denoising schedule with appropriate step sizes, then invoke the trained network iteratively to update point clouds following the adaptive schedule. To facilitate this adaptive and iterative denoising process, we design the network architecture and a two-stage sampling strategy for the network training to enable feature fusion and gradient fusion for iterative denoising. Compared to the state-of-the-art point cloud denoising methods, our approach obtains clean and smooth denoised point clouds, while preserving the shape boundary and details better. Our results not only outperform the other methods both qualitatively and quantitatively, but also are preferable on the synthetic dataset with different patterns of noises, as well as the real-scanned dataset.
- Abstract（参考訳）: Point Cloud Denoisingタスクは、スキャンされたデータからさまざまなレベルやノイズのパターンと組み合わせてクリーンなポイントクラウドを回復することを目的としている。
最近の最先端の手法では、ディープニューラルネットワークをトレーニングして、クリーンポイントクラウドへのポイントロケーションを更新し、復調過程を経験的に繰り返して、復調結果を得る。
異なるレベルのノイズやパターンに対処するために、反復的認知プロセスをどのように効率的に配置するかは明らかではない。
本稿では,スコアベース拡散モデルに基づく適応的かつ反復的な点群デノナイズ手法を提案する。
まず、雑音の変動を推定し、適切なステップサイズで適応化スケジュールを決定する。その後、トレーニングされたネットワークを反復的に起動して、適応化されたスケジュールに従ってポイントクラウドを更新する。
この適応的かつ反復的な復調プロセスを容易にするために,ネットワークアーキテクチャとネットワークトレーニングのための2段階サンプリング戦略を設計し,反復復調のための特徴融合と勾配融合を実現する。
最先端のポイント・クラウド・デノナイズ法と比較して, 形状境界と細部を保存しつつ, 清潔で滑らかなポイント・クラウドを得る。
本研究の結果は, 定性的, 定量的に他の手法より優れるだけでなく, ノイズのパターンの異なる合成データセットや, 実スキャンデータセットにも好適である。
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) - Noise Conditional Variational Score Distillation [60.38982038894823]
騒音条件変化スコア蒸留(NCVSD)は, 予混合拡散モデルから生成消音剤を蒸留する新しい方法である。
この知見を変分スコア蒸留フレームワークに組み込むことで、生成的デノイザのスケーラブルな学習を可能にする。
論文 参考訳（メタデータ） (2025-06-11T06:01:39Z) - Noise2Score3D: Tweedie's Approach for Unsupervised Point Cloud Denoising [6.12166062377816]
ノイズ2Score3Dはノイズデータから直接基礎となる点雲分布のスコア関数を学習する。
本手法は,既存の教師なし手法の反復処理を回避するため,単一ステップでデノナイズを行う。
論文 参考訳（メタデータ） (2025-03-12T11:28:04Z) - Beyond Fixed Horizons: A Theoretical Framework for Adaptive Denoising Diffusions [1.9116784879310031]
本稿では, ノイズ発生過程とノイズ発生過程の両方において, 時間均質な構造を実現する新しい生成拡散モデルを提案する。
モデルの主な特徴は、ターゲットデータへの適応性であり、事前訓練された無条件生成モデルを使用して、様々な下流タスクを可能にする。
論文 参考訳（メタデータ） (2025-01-31T18:23:27Z) - Point Cloud Resampling with Learnable Heat Diffusion [58.050130177241186]
ポイントクラウド再サンプリングのための学習可能な熱拡散フレームワークを提案する。
前の固定された拡散モデルとは異なり、適応条件は点雲の幾何学的特徴を選択的に保存する。
論文 参考訳（メタデータ） (2024-11-21T13:44:18Z) - Denoising as Adaptation: Noise-Space Domain Adaptation for Image Restoration [64.84134880709625]
拡散モデルを用いて,雑音空間を介して領域適応を行うことが可能であることを示す。
特に、補助的な条件入力が多段階の復調過程にどのように影響するかというユニークな性質を活用することにより、有意義な拡散損失を導出する。
拡散モデルにおけるチャネルシャッフル層や残留スワッピング型コントラスト学習などの重要な戦略を提案する。
論文 参考訳（メタデータ） (2024-06-26T17:40:30Z) - Blue noise for diffusion models [50.99852321110366]
本稿では,画像内および画像間の相関雑音を考慮した拡散モデルを提案する。
我々のフレームワークは、勾配流を改善するために、1つのミニバッチ内に画像間の相関を導入することができる。
本手法を用いて,各種データセットの質的,定量的な評価を行う。
論文 参考訳（メタデータ） (2024-02-07T14:59:25Z) - PD-Flow: A Point Cloud Denoising Framework with Normalizing Flows [20.382995180671205]
ポイント・クラウド・デノゲーション(Point cloud denoising)は、ノイズや外れ値によって破損した生の観測からクリーン・ポイント・クラウドを復元することを目的としている。
本稿では,正規化フローとノイズ分散手法を取り入れた,ディープラーニングに基づく新しいDenoisingモデルを提案する。
論文 参考訳（メタデータ） (2022-03-11T14:17:58Z) - Point Cloud Denoising via Momentum Ascent in Gradient Fields [72.93429911044903]
ニューラルネットワークを用いて雑音点雲から勾配場を推定する勾配法を提案した。
そこで我々は, 過去の反復情報を利用して, 点の軌道を決定する運動量勾配上昇法を開発した。
実験により, 提案手法は, 様々な点群, ノイズタイプ, 騒音レベルを有する最先端手法よりも優れていた。
論文 参考訳（メタデータ） (2022-02-21T10:21:40Z) - Differentiable Manifold Reconstruction for Point Cloud Denoising [23.33652755967715]
3次元点雲は、取得装置の固有の制限のため、ノイズによって乱されることが多い。
雑音のある点の雲の基底多様体を、異なる部分標本化点から学習することを提案する。
提案手法は, 合成雑音と実環境騒音の両面において, 最先端の復調法を著しく上回ることを示す。
論文 参考訳（メタデータ） (2020-07-27T13:31:41Z)
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。