論文の概要: Self-Supervised Point Cloud Completion based on Multi-View Augmentations of Single Partial Point Cloud

• arxiv url: http://arxiv.org/abs/2509.22132v1
• Date: Fri, 26 Sep 2025 09:53:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-29 20:57:54.350497
• Title: Self-Supervised Point Cloud Completion based on Multi-View Augmentations of Single Partial Point Cloud
• Title（参考訳）: 単一部分点クラウドのマルチビュー拡張に基づく自己改善点クラウド補完
• Authors: Jingjing Lu, Huilong Pi, Yunchuan Qin, Zhuo Tang, Ruihui Li,
• Abstract要約: ポイント雲の完成は、部分的な観測から完全な形状を再構築することを目的としている。 既存の自己教師付き手法は、自己教師付き信号の限られた能力のために不満足な予測を生成する。 単一部分点雲の多視点拡張に基づく新しい自己教師型信号群を設計する。
• 参考スコア（独自算出の注目度）: 24.275031098575045
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Point cloud completion aims to reconstruct complete shapes from partial observations. Although current methods have achieved remarkable performance, they still have some limitations: Supervised methods heavily rely on ground truth, which limits their generalization to real-world datasets due to the synthetic-to-real domain gap. Unsupervised methods require complete point clouds to compose unpaired training data, and weakly-supervised methods need multi-view observations of the object. Existing self-supervised methods frequently produce unsatisfactory predictions due to the limited capabilities of their self-supervised signals. To overcome these challenges, we propose a novel self-supervised point cloud completion method. We design a set of novel self-supervised signals based on multi-view augmentations of the single partial point cloud. Additionally, to enhance the model's learning ability, we first incorporate Mamba into self-supervised point cloud completion task, encouraging the model to generate point clouds with better quality. Experiments on synthetic and real-world datasets demonstrate that our method achieves state-of-the-art results.
• Abstract（参考訳）: ポイント雲の完成は、部分的な観測から完全な形状を再構築することを目的としている。 監視された手法は、地上の真実に大きく依存しており、合成と現実のドメインギャップのために、それらの一般化を現実のデータセットに制限します。 教師なしの手法は、未確認の訓練データを構成するために完全点雲を必要とし、弱教師付き手法はオブジェクトを多視点で観察する必要がある。 既存の自己教師付き手法は、自己教師付き信号の限られた能力のため、しばしば不満足な予測を発生させる。 これらの課題を克服するために, 自己管理型ポイントクラウド補完手法を提案する。 単一部分点雲の多視点拡張に基づく新しい自己教師型信号群を設計する。 さらに、モデルの学習能力を高めるために、まず、Mambaを自己教師付きポイントクラウド補完タスクに組み込み、より良い品質でポイントクラウドを生成するように促します。 合成および実世界のデータセットを用いた実験により,本手法が最先端の結果を得ることを示す。

関連論文リスト

• RealDiff: Real-world 3D Shape Completion using Self-Supervised Diffusion Models [15.209079637302905]
  本稿では,実世界の実測に基づく条件生成問題として,点雲完了を定式化する自己教師型フレームワークであるRealDiffを提案する。 具体的には、RealDiffは、タスクのマルチモーダルな性質に対処するために部分入力の生成を条件付けながら、行方不明なオブジェクト部分での拡散プロセスをシミュレートする。 実験結果から,本手法は実世界のクラウド完成度において常に最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2024-09-16T11:18:57Z)
• ComPC: Completing a 3D Point Cloud with 2D Diffusion Priors [52.72867922938023]
  センサーを通して直接オブジェクトから収集される3Dポイント雲は、自己閉塞のため、しばしば不完全である。 トレーニングを必要とせずに、未確認のカテゴリにまたがる部分点雲を完結させるテストタイムフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-04-10T08:02:17Z)
• Mitigating Prior Shape Bias in Point Clouds via Differentiable Center Learning [15.132585178169423]
  微分可能中心サンプリングネットワーク(DCS-Net)と呼ばれる新しいソリューションを導入する。 グローバルな特徴再構成とローカルな特徴再構成の両方を非自明なプロキシタスクとして組み込むことで,情報漏洩問題に対処する。 実験により,本手法は既存の点雲モデルの表現能力を向上することを示した。
  論文  参考訳（メタデータ） (2024-02-03T08:58:23Z)
• ACL-SPC: Adaptive Closed-Loop system for Self-Supervised Point Cloud Completion [45.470757435374566]
  本稿では,ポイントクラウド補完のための自己管理型フレームワーク ACL-SPC を提案する。 ACL-SPCは1つの部分入力を受け取り、完全な点クラウドを出力しようとする。 提案したACL-SPCを各種データセット上で評価し,部分点クラウドの完成をうまく学べることを証明する。
  論文  参考訳（メタデータ） (2023-03-02T08:02:45Z)
• Self-Supervised Arbitrary-Scale Point Clouds Upsampling via Implicit Neural Representation [79.60988242843437]
  そこで本研究では,自己監督型および倍率フレキシブルな点雲を同時にアップサンプリングする手法を提案する。 実験結果から, 自己教師あり学習に基づく手法は, 教師あり学習に基づく手法よりも, 競争力や性能が向上することが示された。
  論文  参考訳（メタデータ） (2022-04-18T07:18:25Z)
• Learning a Structured Latent Space for Unsupervised Point Cloud Completion [48.79411151132766]
  部分点雲と完全点雲の両方を符号化する統一的で構造化された潜在空間を学習する新しいフレームワークを提案する。 提案手法は、合成ShapeNetと実世界のKITTI、ScanNet、Matterport3Dデータセットの両方において、最先端の教師なし手法を一貫して上回っている。
  論文  参考訳（メタデータ） (2022-03-29T13:58:44Z)
• Unsupervised Point Cloud Representation Learning with Deep Neural Networks: A Survey [104.71816962689296]
  大規模クラウドラベリングの制約により,教師なしのポイントクラウド表現学習が注目されている。 本稿では、ディープニューラルネットワークを用いた教師なしポイントクラウド表現学習の総合的なレビューを提供する。
  論文  参考訳（メタデータ） (2022-02-28T07:46:05Z)
• Self-Contrastive Learning with Hard Negative Sampling for Self-supervised Point Cloud Learning [17.55440737986014]
  本稿では,自己教師付きポイントクラウド表現学習のための新しい自己コントラスト学習を提案する。 我々は、一点クラウド内の自己相似点クラウドパッチを、正のサンプルとして、その他の負のパッチとして利用し、対照的な学習を容易にする。 実験結果から,提案手法は広く使用されているベンチマークデータセットの最先端性能を実現することが示された。
  論文  参考訳（メタデータ） (2021-07-05T09:17:45Z)
• Cascaded Refinement Network for Point Cloud Completion with Self-supervision [74.80746431691938]
  形状整形のための2分岐ネットワークを提案する。 第1分枝は、完全なオブジェクトを合成するためのカスケード形状補完サブネットワークである。 第2のブランチは、元の部分入力を再構築する自動エンコーダである。
  論文  参考訳（メタデータ） (2020-10-17T04:56:22Z)

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。