論文の概要: PU-Gaussian: Point Cloud Upsampling using 3D Gaussian Representation

• arxiv url: http://arxiv.org/abs/2509.20207v1
• Date: Wed, 24 Sep 2025 15:02:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-25 20:53:19.865845
• Title: PU-Gaussian: Point Cloud Upsampling using 3D Gaussian Representation
• Title（参考訳）: PU-Gaussian:3次元ガウス表現を用いた点雲アップサンプリング
• Authors: Mahmoud Khater, Mona Strauss, Philipp von Olshausen, Alexander Reiterer,
• Abstract要約: PU-ガウスアン(PU-Gaussian)は、異方性3次元ガウス分布を用いて各点周辺の局所近傍をモデル化する新しいアップサンプリングネットワークである。 我々はPU1KとPUGANデータセットの広範なテストを行い、PU-Gaussianが最先端のパフォーマンスを達成することを示す。
• 参考スコア（独自算出の注目度）: 39.21200612994709
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Point clouds produced by 3D sensors are often sparse and noisy, posing challenges for tasks requiring dense and high-fidelity 3D representations. Prior work has explored both implicit feature-based upsampling and distance-function learning to address this, but often at the expense of geometric interpretability or robustness to input sparsity. To overcome these limitations, we propose PU-Gaussian, a novel upsampling network that models the local neighborhood around each point using anisotropic 3D Gaussian distributions. These Gaussians capture the underlying geometric structure, allowing us to perform upsampling explicitly in the local geometric domain by direct point sampling. The sampling process generates a dense, but coarse, point cloud. A subsequent refinement network adjusts the coarse output to produce a more uniform distribution and sharper edges. We perform extensive testing on the PU1K and PUGAN datasets, demonstrating that PU-Gaussian achieves state-of-the-art performance. We make code and model weights publicly available at https://github.com/mvg-inatech/PU-Gaussian.git.
• Abstract（参考訳）: 3Dセンサーによって生成された点雲は、しばしば希少でノイズが多く、密度の高い高忠実度3D表現を必要とするタスクの課題を提起する。 従来の研究では、この問題に対処するために、暗黙的な特徴ベースのアップサンプリングと距離関数学習の両方を探索してきたが、しばしば、幾何学的解釈可能性や入力空間の頑健さを犠牲にしている。 これらの制約を克服するために, PU-Gaussianを提案する。これは, 異方性3次元ガウス分布を用いて各点周辺の局所的近傍をモデル化する新しいアップサンプリングネットワークである。 これらのガウス多様体は基底となる幾何学的構造を捉え、直点サンプリングにより局所幾何学領域において明示的にアップサンプリングを行うことができる。 サンプリングプロセスは密度が高いが粗い点雲を生成する。 その後の精細化ネットワークは粗い出力を調整し、より均一な分布とよりシャープなエッジを生成する。 我々はPU1KとPUGANデータセットの広範なテストを行い、PU-Gaussianが最先端のパフォーマンスを達成することを示す。 コードとモデルの重み付けはhttps://github.com/mvg-inatech/PU-Gaussian.git.comで公開しています。

関連論文リスト

• GAP: Gaussianize Any Point Clouds with Text Guidance [29.002390913738203]
  我々は,原点雲を高忠実度3Dガウスにガウシアン化する新しい手法であるGAPを提案する。 幾何学的精度を確保するため,3次元形状の表面上にガウスを効果的に拘束する表面アンチョリング機構を導入する。 我々は,合成点雲から実世界のスキャン,さらには大規模シーンに至るまで,様々な複雑さレベルにおいて,ポイント・ツー・ガウス生成タスクにおけるGAPを評価した。
  論文  参考訳（メタデータ） (2025-08-07T17:59:27Z)
• GaussianFormer-2: Probabilistic Gaussian Superposition for Efficient 3D Occupancy Prediction [55.60972844777044]
  3Dセマンティック占有予測は、堅牢な視覚中心の自律運転において重要な課題である。 既存のほとんどの手法は、密度の高いグリッドベースのシーン表現を利用しており、運転シーンの空間的空間性を見渡している。 本稿では,各ガウス分布をその周辺領域の確率分布として解釈する確率論的ガウス重ね合わせモデルを提案する。
  論文  参考訳（メタデータ） (2024-12-05T17:59:58Z)
• PixelGaussian: Generalizable 3D Gaussian Reconstruction from Arbitrary Views [116.10577967146762]
  PixelGaussianは、任意の視点から一般化可能な3Dガウス再構成を学習するための効率的なフレームワークである。 提案手法は,様々な視点によく一般化した最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-10-24T17:59:58Z)
• LeanGaussian: Breaking Pixel or Point Cloud Correspondence in Modeling 3D Gaussians [11.71048049090424]
  変形可能なトランスフォーマーにおける各クエリを1つの3次元ガウス楕円体として扱う新しいアプローチであるLeanGaussianを紹介する。 変形可能なデコーダを用いて、画像特徴をキーと値として、ガウス層を反復的に洗練する。 提案手法は従来の手法よりも約6.1%優れ,PSNRは25.44,PSNRは22.36であった。
  論文  参考訳（メタデータ） (2024-04-25T04:18:59Z)
• Spec-Gaussian: Anisotropic View-Dependent Appearance for 3D Gaussian Splatting [55.71424195454963]
  Spec-Gaussian は球面調和の代わりに異方性球面ガウス場を利用するアプローチである。 実験結果から,本手法はレンダリング品質の面で既存の手法を超越していることが示された。 この改良は、3D GSの適用性を高めて、特異面と異方面の複雑なシナリオを扱う。
  論文  参考訳（メタデータ） (2024-02-24T17:22:15Z)
• iPUNet:Iterative Cross Field Guided Point Cloud Upsampling [20.925921503694894]
  3Dスキャン装置によって取得される点雲は、しばしば疎く、ノイズが多く、一様ではないため、幾何学的特徴が失われる。 任意の比率で高密度および均一な点を生成する学習ベースポイントアップサンプリング手法iPUNetを提案する。 iPUNetは、ノイズや不均一に分散された入力を処理し、最先端のクラウドサンプリング手法より優れていることを示す。
  論文  参考訳（メタデータ） (2023-10-13T13:24:37Z)
• Arbitrary Point Cloud Upsampling with Spherical Mixture of Gaussians [1.2375561840897737]
  APU-SMOGはArbitrary Point Cloud Upsampling (APU)のためのTransformerベースのモデルである APU-SMOGは最先端の固定比法より優れている。
  論文  参考訳（メタデータ） (2022-08-10T11:10:16Z)
• PUGeo-Net: A Geometry-centric Network for 3D Point Cloud Upsampling [103.09504572409449]
  PUGeo-Netと呼ばれる新しいディープニューラルネットワークを用いた一様高密度点雲を生成する手法を提案する。 その幾何学中心の性質のおかげで、PUGeo-Netはシャープな特徴を持つCADモデルとリッチな幾何学的詳細を持つスキャンされたモデルの両方でうまく機能する。
  論文  参考訳（メタデータ） (2020-02-24T14:13:29Z)

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。