論文の概要: Graph-based Point Cloud Surface Reconstruction using B-Splines

• arxiv url: http://arxiv.org/abs/2509.16050v1
• Date: Fri, 19 Sep 2025 14:59:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-22 18:18:11.214629
• Title: Graph-based Point Cloud Surface Reconstruction using B-Splines
• Title（参考訳）: B-Splines を用いたグラフベース点雲表面再構成
• Authors: Stuti Pathak, Rhys G. Evans, Gunther Steenackers, Rudi Penne,
• Abstract要約: 実世界の点雲は、様々な技術的・環境的要因により本質的にうるさい。 既存のデータ駆動表面再構成アルゴリズムは、中間ステップとして、地上の真理正規度や近似正規度に大きく依存している。 辞書型グラフ畳み込みネットワークに基づく表面再構成戦略を開発した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generating continuous surfaces from discrete point cloud data is a fundamental task in several 3D vision applications. Real-world point clouds are inherently noisy due to various technical and environmental factors. Existing data-driven surface reconstruction algorithms rely heavily on ground truth normals or compute approximate normals as an intermediate step. This dependency makes them extremely unreliable for noisy point cloud datasets, even if the availability of ground truth training data is ensured, which is not always the case. B-spline reconstruction techniques provide compact surface representations of point clouds and are especially known for their smoothening properties. However, the complexity of the surfaces approximated using B-splines is directly influenced by the number and location of the spline control points. Existing spline-based modeling methods predict the locations of a fixed number of control points for a given point cloud, which makes it very difficult to match the complexity of its underlying surface. In this work, we develop a Dictionary-Guided Graph Convolutional Network-based surface reconstruction strategy where we simultaneously predict both the location and the number of control points for noisy point cloud data to generate smooth surfaces without the use of any point normals. We compare our reconstruction method with several well-known as well as recent baselines by employing widely-used evaluation metrics, and demonstrate that our method outperforms all of them both qualitatively and quantitatively.
• Abstract（参考訳）: 離散点クラウドデータから連続表面を生成することは、いくつかの3次元視覚アプリケーションにおいて基本的な課題である。 実世界の点雲は、様々な技術的・環境的要因により本質的にうるさい。 既存のデータ駆動表面再構成アルゴリズムは、中間ステップとして、地上の真理正規度や近似正規度に大きく依存している。 この依存関係は、たとえ地上の真実のトレーニングデータの可用性が保証されたとしても、ノイズの多いクラウドデータセットに対して極めて信頼性が低い。 B-スプライン再構成技術は点雲のコンパクトな表面表現を提供し、特にその滑らか化特性で知られている。 しかし、B-スプラインを用いて近似した表面の複雑さは、スプライン制御点の数と位置によって直接影響を受ける。 既存のスプラインに基づくモデリング手法は、所定の点雲に対する一定数の制御点の位置を予測するため、その表面の複雑さに非常に一致する。 本研究では,辞典誘導グラフ畳み込みネットワークに基づく表面再構成戦略を開発し,ノイズの多いクラウドデータの位置と制御点数の両方を同時に予測し,任意の点正規化を使わずに滑らかな表面を生成する。 提案手法は, 広く利用されている評価指標を用いて, 提案手法と最近のベースラインを比較検討し, 定性的, 定量的に比較した。

関連論文リスト

• Adaptive Point-Prompt Tuning: Fine-Tuning Heterogeneous Foundation Models for 3D Point Cloud Analysis [51.37795317716487]
  本稿では,パラメータの少ない事前学習モデルを微調整するAdaptive Point-Prompt Tuning (APPT)法を提案する。 局所幾何学を集約することで原点雲を点埋め込みに変換し、空間的特徴を捉える。 任意のモダリティのソース領域から3Dへの自己アテンションを校正するために,重みを点埋め込みモジュールと共有するプロンプトジェネレータを導入する。
  論文  参考訳（メタデータ） (2025-08-30T06:02:21Z)
• DG-MVP: 3D Domain Generalization via Multiple Views of Point Clouds for Classification [10.744510913722817]
  ディープニューラルネットワークは3Dポイントクラウド分類において大きな成功を収めている。 本稿では,3次元クラウド領域の一般化問題に焦点をあてる。 本稿では,3次元点雲領域の一般化手法を提案する。
  論文  参考訳（メタデータ） (2025-04-16T19:43:32Z)
• Learning Bijective Surface Parameterization for Inferring Signed Distance Functions from Sparse Point Clouds with Grid Deformation [50.26314343851213]
  疎点雲から符号付き距離関数(SDF)を推定することは、表面再構成の課題である。 本稿では,SDFをエンドツーエンドに予測するために動的変形ネットワークを学習する新しい手法を提案する。 合成および実スキャンデータを用いた実験結果から,本手法は最先端の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2025-03-31T02:27:02Z)
• Quadric Representations for LiDAR Odometry, Mapping and Localization [93.24140840537912]
  現在のLiDARオードメトリ、マッピング、ローカライズ手法は、3Dシーンのポイントワイズ表現を利用する。 3次元オブジェクトのよりコンパクトな表現である2次元曲面を用いたシーン記述法を提案する。 提案手法は低レイテンシとメモリの有効性を維持しつつ、競争力があり、しかも精度も優れている。
  論文  参考訳（メタデータ） (2023-04-27T13:52:01Z)
• Unsupervised Inference of Signed Distance Functions from Single Sparse Point Clouds without Learning Priors [54.966603013209685]
  3次元点雲から符号付き距離関数(SDF)を推測することは不可欠である。 単一スパース点雲から直接SDFを推定するニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2023-03-25T15:56:50Z)
• A Survey and Benchmark of Automatic Surface Reconstruction from Point Clouds [12.58355339505807]
  このタスクは、ノイズ、外れ値、非一様サンプリング、欠落データなどの要因により、現実世界の取得において特に困難である。 従来のアプローチでは、入力点の雲または結果として生じる表面に手作りの先行を課すことで、問題を単純化することが多い。 ディープラーニングモデルは、データから入力ポイントクラウドと所望の表面のプロパティを直接学習する機能を持っている。
  論文  参考訳（メタデータ） (2023-01-31T14:18:19Z)
• GeoUDF: Surface Reconstruction from 3D Point Clouds via Geometry-guided Distance Representation [73.77505964222632]
  スパース点雲から離散曲面を再構成する問題に対処する学習ベース手法であるGeoUDFを提案する。 具体的には、UDFのための幾何誘導学習法とその勾配推定を提案する。 予測されたUDFから三角形メッシュを抽出するために,カスタマイズされたエッジベースマーチングキューブモジュールを提案する。
  論文  参考訳（メタデータ） (2022-11-30T06:02:01Z)
• Reconstructing Surfaces for Sparse Point Clouds with On-Surface Priors [52.25114448281418]
  現在の方法では、接地距離や点正規化なしに単一点雲から符号付き距離関数 (Signed Distance Function, SDF) を学習することで、表面を再構築することができる。 そこで本稿では, 表面上の粗い点雲から高精度な表面を復元することを提案する。 本手法は, 接地距離や点正規化を伴わずに, 単一のスパース点雲からSDFを学習することができる。
  論文  参考訳（メタデータ） (2022-04-22T09:45:20Z)
• Point Cloud Upsampling and Normal Estimation using Deep Learning for Robust Surface Reconstruction [2.821829060100186]
  ポイントクラウドアップサンプリングのための新しいディープラーニングアーキテクチャを紹介します。 対応する点正規度を持つ低密度の雑音点雲を用いて、高密度および随伴点正規度を持つ点雲を推定する。
  論文  参考訳（メタデータ） (2021-02-26T10:58:26Z)
• Learning Occupancy Function from Point Clouds for Surface Reconstruction [6.85316573653194]
  表面から採取した点雲から3次元形状を復元するために, 入射関数に基づく表面再構成が長い間研究されてきた。 本稿では,スパース点雲から占有関数を学習する新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-10-22T02:07:29Z)

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。