論文の概要: DFG-PCN: Point Cloud Completion with Degree-Flexible Point Graph

• arxiv url: http://arxiv.org/abs/2509.23703v1
• Date: Sun, 28 Sep 2025 07:28:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:19.387729
• Title: DFG-PCN: Point Cloud Completion with Degree-Flexible Point Graph
• Title（参考訳）: DFG-PCN:Degree-Flexible Point Graphによるポイントクラウド補完
• Authors: Zhenyu Shu, Jian Yao, Shiqing Xin,
• Abstract要約: 本稿では,DFG-PCN(Degree-Flexible Point Graph Completion Network)と呼ばれるポイントクラウド補完フレームワークを提案する。 特徴変動と曲率を組み合わせて、構造的に重要な領域に焦点を合わせるディテール・アウェア・メトリックを使用して、ノードの次数を適応的に割り当てる。
• 参考スコア（独自算出の注目度）: 17.079595595415466
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Point cloud completion is a vital task focused on reconstructing complete point clouds and addressing the incompleteness caused by occlusion and limited sensor resolution. Traditional methods relying on fixed local region partitioning, such as k-nearest neighbors, which fail to account for the highly uneven distribution of geometric complexity across different regions of a shape. This limitation leads to inefficient representation and suboptimal reconstruction, especially in areas with fine-grained details or structural discontinuities. This paper proposes a point cloud completion framework called Degree-Flexible Point Graph Completion Network (DFG-PCN). It adaptively assigns node degrees using a detail-aware metric that combines feature variation and curvature, focusing on structurally important regions. We further introduce a geometry-aware graph integration module that uses Manhattan distance for edge aggregation and detail-guided fusion of local and global features to enhance representation. Extensive experiments on multiple benchmark datasets demonstrate that our method consistently outperforms state-of-the-art approaches.
• Abstract（参考訳）: ポイントクラウドの完成は、完全なポイントクラウドの再構築と、閉塞とセンサーの解像度の制限による不完全性への対処に焦点を当てた重要なタスクである。 k-アレスト近傍のような固定された局所領域分割に依存する伝統的な手法は、形状の異なる領域にまたがる幾何学的複雑さの非常に不均一な分布を説明できない。 この制限は、特に細かな細部や構造上の不連続な領域において、非効率な表現と準最適再構成をもたらす。 本稿では,DFG-PCN(Degree-Flexible Point Graph Completion Network)と呼ばれるポイントクラウド補完フレームワークを提案する。 特徴変動と曲率を組み合わせて、構造的に重要な領域に焦点を合わせるディテール・アウェア・メトリックを使用して、ノードの次数を適応的に割り当てる。 さらに,マンハッタン距離をエッジアグリゲーションに利用し,局所的特徴とグローバルな特徴を詳細誘導して表現を強化する幾何学的グラフ統合モジュールを導入する。 複数のベンチマークデータセットに対する大規模な実験は、我々の手法が常に最先端のアプローチより優れていることを示した。

関連論文リスト

• Fully-Geometric Cross-Attention for Point Cloud Registration [51.865371511201765]
  ポイントクラウド登録のアプローチは、ノイズのあるポイント対応のため、ポイントクラウド間の重なりが低いときに失敗することが多い。 この問題に対処するTransformerベースのアーキテクチャに適した,新たなクロスアテンション機構を導入する。 我々はGromov-Wasserstein距離をクロスアテンションの定式化に統合し、異なる点雲間の点間距離を共同計算する。 点レベルでは,局所的な幾何学的構造情報を細かなマッチングのための点特徴に集約する自己認識機構も考案する。
  論文  参考訳（メタデータ） (2025-02-12T10:44:36Z)
• PointCFormer: a Relation-based Progressive Feature Extraction Network for Point Cloud Completion [19.503392612245474]
  ポイントクラウドの完成は、不完全なポイントクラウドから完全な3D形状を再構築することを目的としている。 PointCFormerは,ロバストなグローバル保持と正確な局所的詳細キャプチャに最適化されたトランスフォーマーフレームワークである。 PointCFormerは、広く使用されているベンチマークで最先端のパフォーマンスを示す。
  論文  参考訳（メタデータ） (2024-12-11T14:37:21Z)
• 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)
• PMP-Net: Point Cloud Completion by Learning Multi-step Point Moving Paths [54.459879603473034]
  我々はPMP-Netと呼ばれる新しいニューラルネットワークを設計し、地球移動体の動作を模倣する。 不完全な入力の各点を移動させ、ポイントクラウドを完結させ、ポイント移動パスの合計距離が最も短くなる。 点レベルの厳密でユニークな対応を学習し、不完全な形状と完全なターゲットの間の詳細なトポロジーと構造的関係を捉えることができる。
  論文  参考訳（メタデータ） (2020-12-07T01:34:38Z)
• Point Set Voting for Partial Point Cloud Analysis [26.31029112502835]
  近年、ポイントクラウドの分類とセグメンテーションのための技術は、大きな合成データセットを活用することで、驚くべきパフォーマンスを実現している。 本稿では, 局所点集合投票戦略を適用して, 完全点群を符号化した潜在特徴を推定する部分点群解析の一般モデルを提案する。
  論文  参考訳（メタデータ） (2020-07-09T03:37:31Z)
• 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。