論文の概要: CasPoinTr: Point Cloud Completion with Cascaded Networks and Knowledge Distillation

• arxiv url: http://arxiv.org/abs/2509.23375v1
• Date: Sat, 27 Sep 2025 15:49:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:19.193076
• Title: CasPoinTr: Point Cloud Completion with Cascaded Networks and Knowledge Distillation
• Title（参考訳）: CasPoinTr: カスケードネットワークによるポイントクラウド補完と知識蒸留
• Authors: Yifan Yang, Yuxiang Yan, Boda Liu, Jian Pu,
• Abstract要約: 本稿では,カスケードネットワークと知識蒸留を用いた新しいポイントクラウド補完フレームワークCasPoinTrを紹介する。 CasPoinTrは、完了タスクを2つの相乗的なステージ、Shape ReconstructionとFused Completionに分解する。 CasPoinTrは, 形状回復と細部保存において, 既存の手法よりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 17.493029880349905
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Point clouds collected from real-world environments are often incomplete due to factors such as limited sensor resolution, single viewpoints, occlusions, and noise. These challenges make point cloud completion essential for various applications. A key difficulty in this task is predicting the overall shape and reconstructing missing regions from highly incomplete point clouds. To address this, we introduce CasPoinTr, a novel point cloud completion framework using cascaded networks and knowledge distillation. CasPoinTr decomposes the completion task into two synergistic stages: Shape Reconstruction, which generates auxiliary information, and Fused Completion, which leverages this information alongside knowledge distillation to generate the final output. Through knowledge distillation, a teacher model trained on denser point clouds transfers incomplete-complete associative knowledge to the student model, enhancing its ability to estimate the overall shape and predict missing regions. Together, the cascaded networks and knowledge distillation enhance the model's ability to capture global shape context while refining local details, effectively bridging the gap between incomplete inputs and complete targets. Experiments on ShapeNet-55 under different difficulty settings demonstrate that CasPoinTr outperforms existing methods in shape recovery and detail preservation, highlighting the effectiveness of our cascaded structure and distillation strategy.
• Abstract（参考訳）: 現実世界の環境から収集された点雲は、センサーの解像度の制限、単一視点、閉塞、ノイズなどの要因により、しばしば不完全である。 これらの課題は、様々なアプリケーションにポイントクラウドの補完を必須にする。 このタスクの重要な難点は、全体の形状を予測し、高度に不完全な点雲から欠落した領域を再構築することである。 これを解決するために,カスケードネットワークと知識蒸留を用いた新たなポイントクラウド補完フレームワークであるCasPoinTrを紹介した。 CasPoinTrは、完了タスクを2つの相乗的な段階に分解する: 補助情報を生成する形状再構成と、知識蒸留と共にこの情報を活用して最終的な出力を生成する融合完了である。 知識蒸留を通じて、より高密度な点雲で訓練された教師モデルは、不完全な連想的知識を学生モデルに伝達し、全体形状を推定し、行方不明領域を予測する能力を高める。 カスケードネットワークと知識蒸留は、局所的な詳細を精査しながらグローバルな形状のコンテキストを捉える能力を高め、不完全な入力と完全なターゲットのギャップを効果的に埋める。 異なる難易度条件下でのShapeNet-55の実験では,CasPoinTrは既存の形状回復法や細部保存法よりも優れており,我々のケーケード構造と蒸留戦略の有効性を強調している。

関連論文リスト

• 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)
• Bidirectional Knowledge Reconfiguration for Lightweight Point Cloud Analysis [74.00441177577295]
  ポイントクラウド分析は計算システムのオーバーヘッドに直面し、モバイルやエッジデバイスでの利用を制限する。 本稿では,軽量点雲モデルのための特徴蒸留について検討する。 本研究では,教師から生徒への情報的文脈的知識を抽出するための双方向知識再構成を提案する。
  論文  参考訳（メタデータ） (2023-10-08T11:32:50Z)
• Point Cloud Completion Guided by Prior Knowledge via Causal Inference [19.935868881427226]
  本稿では,ポイントPCと呼ばれる新たなクラウド完了タスクを提案する。 Point-PCはメモリネットワークを用いて形状の先行情報を検索し、因果推論モデルを設計し、欠落した形状情報をフィルタリングする。 ShapeNet-55、PCN、KITTIデータセットの実験結果から、Point-PC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） (2023-05-28T16:33:35Z)
• 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)
• 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)
• Point Cloud Completion by Skip-attention Network with Hierarchical Folding [61.59710288271434]
  本研究では,3Dポイントクラウド補完のためのSkip-Attention Network (SA-Net)を提案する。 まず,不完全点雲の局所構造を効果的に活用するためのスキップアテンション機構を提案する。 第二に、異なる解像度でスキップアテンション機構によって符号化された選択された幾何情報を完全に活用するために、新しい構造保存デコーダを提案する。
  論文  参考訳（メタデータ） (2020-05-08T06:23:51Z)
• Cascaded Refinement Network for Point Cloud Completion [74.80746431691938]
  本稿では,細かな物体形状を合成するための粗大な戦略とともに,カスケード型精細化ネットワークを提案する。 部分入力の局所的な詳細と大域的な形状情報を合わせて考えると、既存の詳細を不完全点集合に保存することができる。 また、各局所領域が同じパターンと基底的真理を持つことを保証し、複雑な点分布を学習するパッチ判別器を設計する。
  論文  参考訳（メタデータ） (2020-04-07T13:03:29Z)

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。