論文の概要: DANCE: Density-agnostic and Class-aware Network for Point Cloud Completion

• arxiv url: http://arxiv.org/abs/2511.07978v2
• Date: Mon, 17 Nov 2025 01:28:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:22.177284
• Title: DANCE: Density-agnostic and Class-aware Network for Point Cloud Completion
• Title（参考訳）: DANCE: ポイントクラウドコンプリートのための密度依存型およびクラス認識ネットワーク
• Authors: Da-Yeong Kim, Yeong-Jun Cho,
• Abstract要約: ポイント雲の完成は、不完全な3Dスキャンから欠落した幾何学的構造を復元することを目的としている。 DANCEは、観測された幾何学を保ちながら、欠落した領域のみを完成させる新しいフレームワークである。
• 参考スコア（独自算出の注目度）: 1.7188280334580195
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Point cloud completion aims to recover missing geometric structures from incomplete 3D scans, which often suffer from occlusions or limited sensor viewpoints. Existing methods typically assume fixed input/output densities or rely on image-based representations, making them less suitable for real-world scenarios with variable sparsity and limited supervision. In this paper, we introduce Density-agnostic and Class-aware Network (DANCE), a novel framework that completes only the missing regions while preserving the observed geometry. DANCE generates candidate points via ray-based sampling from multiple viewpoints. A transformer decoder then refines their positions and predicts opacity scores, which determine the validity of each point for inclusion in the final surface. To incorporate semantic guidance, a lightweight classification head is trained directly on geometric features, enabling category-consistent completion without external image supervision. Extensive experiments on the PCN and MVP benchmarks show that DANCE outperforms state-of-the-art methods in accuracy and structural consistency, while remaining robust to varying input densities and noise levels.
• Abstract（参考訳）: ポイント雲の完成は、未完成な3Dスキャンから欠落した幾何学的構造を回復することを目的としている。 既存の手法は通常、固定された入出力密度を仮定するか、イメージベースの表現に依存する。 本稿では、観測された幾何学を保ちながら、欠落した領域のみを補完する新しいフレームワークである密度認識・クラス認識ネットワーク(DANCE)について紹介する。 DANCEは複数の視点からレイベースサンプリングにより候補点を生成する。 変圧器デコーダは、その位置を洗練し、不透明度スコアを予測し、最終表面への各点の正当性を決定する。 セマンティックガイダンスを取り入れるために、軽量な分類ヘッドは幾何学的特徴に基づいて直接訓練される。 PCNとMVPベンチマークの大規模な実験によると、DANCEは精度と構造的整合性において最先端の手法よりも優れており、入力密度やノイズレベルも頑健である。

関連論文リスト

• Neural Visibility of Point Sets [31.13434703858653]
  本稿では,2進分類タスクとして定式化することで,点雲の可視性判定に新たなアプローチを提案する。 我々のネットワークは、レンダリングされた3Dモデルから生成された地味な可視性ラベルでエンドツーエンドに訓練されている。 提案手法は,HPRの精度と計算効率を両立させ,最大126倍の高速化を実現した。
  論文  参考訳（メタデータ） (2025-09-29T00:54:00Z)
• Cross-Modal Geometric Hierarchy Fusion: An Implicit-Submap Driven Framework for Resilient 3D Place Recognition [9.411542547451193]
  本稿では,密度に依存しない幾何学的推論により3次元位置認識を再定義するフレームワークを提案する。 具体的には、元のシーンポイント雲密度の干渉に免疫する弾性点に基づく暗黙の3次元表現を導入する。 これら2種類の情報を活用することで,鳥眼視と3Dセグメントの両視点から幾何学的情報を融合する記述子を得る。
  論文  参考訳（メタデータ） (2025-06-17T07:04:07Z)
• Unsupervised 3D Point Cloud Completion via Multi-view Adversarial Learning [61.14132533712537]
  MAL-UPCは、領域レベルとカテゴリ固有の幾何学的類似性の両方を効果的に活用するフレームワークである。 我々のMAL-UPCは3Dの完全な監視を一切必要とせず、トレーニングセットにおける一視点部分的な観察のみを必要とする。
  論文  参考訳（メタデータ） (2024-07-13T06:53:39Z)
• Towards Better Gradient Consistency for Neural Signed Distance Functions via Level Set Alignment [50.892158511845466]
  レベルセットの並列性によって示される場の勾配一貫性が、推論精度に影響を及ぼす重要な要因であることを示す。 そこで本研究では,次数集合の並列性を評価するためのレベルセットアライメント損失を提案する。
  論文  参考訳（メタデータ） (2023-05-19T11:28:05Z)
• Flattening-Net: Deep Regular 2D Representation for 3D Point Cloud Analysis [66.49788145564004]
  我々は、任意の幾何学と位相の不規則な3次元点雲を表現するために、Flattning-Netと呼ばれる教師なしのディープニューラルネットワークを提案する。 我々の手法は、現在の最先端の競合相手に対して好意的に機能する。
  論文  参考訳（メタデータ） (2022-12-17T15:05:25Z)
• ME-PCN: Point Completion Conditioned on Mask Emptiness [50.414383063838336]
  メインストリーム法は入力点クラウドから学んだグローバルな特徴を復号することで、欠落した形状を予測する。 本稿では,3次元形状空間における空度を利用した点完備ネットワークME-PCNを提案する。
  論文  参考訳（メタデータ） (2021-08-18T15:02:27Z)

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。