論文の概要: Accurate and Efficient Surface Reconstruction from Point Clouds via Geometry-Aware Local Adaptation

• arxiv url: http://arxiv.org/abs/2511.08233v1
• Date: Wed, 12 Nov 2025 01:47:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-12 20:17:03.709962
• Title: Accurate and Efficient Surface Reconstruction from Point Clouds via Geometry-Aware Local Adaptation
• Title（参考訳）: 幾何学的局所適応による点雲からの高精度かつ効率的な表面再構成
• Authors: Eito Ogawa, Taiga Hayami, Hiroshi Watanabe,
• Abstract要約: ポイントクラウド表面の再構築は、ディープラーニングの進歩によって精度が向上し、インフラ検査などの応用が可能になった。 点雲全体ではなく小地域から再構築する最近のアプローチは、その強力な一般化能力に注目が集まっている。 本稿では,入力点雲の曲率に基づいて局所領域の間隔とサイズを適応的に調整することで,復元精度と効率を向上させる手法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Point cloud surface reconstruction has improved in accuracy with advances in deep learning, enabling applications such as infrastructure inspection. Recent approaches that reconstruct from small local regions rather than entire point clouds have attracted attention for their strong generalization capability. However, prior work typically places local regions uniformly and keeps their size fixed, limiting adaptability to variations in geometric complexity. In this study, we propose a method that improves reconstruction accuracy and efficiency by adaptively modulating the spacing and size of local regions based on the curvature of the input point cloud.
• Abstract（参考訳）: ポイントクラウド表面の再構築は、ディープラーニングの進歩によって精度が向上し、インフラ検査などの応用が可能になった。 点雲全体ではなく小地域から再構築する最近のアプローチは、その強力な一般化能力に注目が集まっている。 しかしながら、以前の研究は通常、局所領域を均一に配置し、そのサイズを固定し、幾何学的複雑さのバリエーションに適応性を制限する。 本研究では,入力点雲の曲率に基づいて局所領域の間隔とサイズを適応的に調整することにより,復元精度と効率を向上させる手法を提案する。

関連論文リスト

• Graph-based Point Cloud Surface Reconstruction using B-Splines [0.0]
  実世界の点雲は、様々な技術的・環境的要因により本質的にうるさい。 既存のデータ駆動表面再構成アルゴリズムは、中間ステップとして、地上の真理正規度や近似正規度に大きく依存している。 辞書型グラフ畳み込みネットワークに基づく表面再構成戦略を開発した。
  論文  参考訳（メタデータ） (2025-09-19T14:59:51Z)
• GeoGaussian: Geometry-aware Gaussian Splatting for Scene Rendering [83.19049705653072]
  ガウススプレイティング最適化の過程で、その構造が意図的に保存されていない場合、シーンの幾何学は徐々に悪化する。 我々はこの問題を緩和するためにGeoGaussianと呼ばれる新しいアプローチを提案する。 提案するパイプラインは、新しいビュー合成と幾何再構成において最先端の性能を達成する。
  論文  参考訳（メタデータ） (2024-03-17T20:06:41Z)
• Enhancing Local Geometry Learning for 3D Point Cloud via Decoupling Convolution [10.449455311881398]
  そこで我々は,局所幾何学の学習を促進できる,単純かつ効果的なアーキテクチャ単位として,ラプラシアン単位(LU)を提案する。 LUは、典型的なクラウド理解タスクにおいて、競争力または優れたパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-07-04T03:49:13Z)
• Surface Reconstruction from Point Clouds by Learning Predictive Context Priors [68.12457459590921]
  点雲からの表面の再構成は、3Dコンピュータビジョンにとって不可欠である。 推論時に各ポイントクラウドに対して予測的クエリを学習することで予測的コンテキスト優先を導入する。 一つの形状や複雑なシーンの表面再構成実験の結果, 広く使用されているベンチマークでは, 最先端のベンチマークよりも顕著な改善が見られた。
  論文  参考訳（メタデータ） (2022-04-23T08:11:33Z)
• Deep Surface Reconstruction from Point Clouds with Visibility Information [66.05024551590812]
  視認性情報により生点雲を増大させる2つの簡単な方法を提案する。 提案手法は, 生成面の精度を向上するとともに, ネットワークの形状領域に対する一般化能力も向上する。
  論文  参考訳（メタデータ） (2022-02-03T19:33:47Z)
• PU-Flow: a Point Cloud Upsampling Networkwith Normalizing Flows [58.96306192736593]
  本稿では,正規化フローを組み込んだPU-Flowについて述べる。 具体的には、重みが局所的な幾何学的文脈から適応的に学習される潜在空間において、アップサンプリング過程を点として定式化する。 提案手法は, 再現性, 近接精度, 計算効率の観点から, 最先端の深層学習手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-07-13T07:45:48Z)
• Point Cloud Upsampling and Normal Estimation using Deep Learning for Robust Surface Reconstruction [2.821829060100186]
  ポイントクラウドアップサンプリングのための新しいディープラーニングアーキテクチャを紹介します。 対応する点正規度を持つ低密度の雑音点雲を用いて、高密度および随伴点正規度を持つ点雲を推定する。
  論文  参考訳（メタデータ） (2021-02-26T10:58:26Z)
• ASLFeat: Learning Local Features of Accurate Shape and Localization [42.70030492742363]
  ASLFeatを3つの軽量かつ効果的に修正し、上記の問題を緩和する。 まず、変形可能な畳み込みネットワークを用いて局所変換を密に推定、適用する。 第2に,空間分解能と低レベル細部を復元する特徴階層を利用して,正確なキーポイント位置推定を行う。
  論文  参考訳（メタデータ） (2020-03-23T04:03:03Z)
• A Rotation-Invariant Framework for Deep Point Cloud Analysis [132.91915346157018]
  ネットワーク入力時に一般的な3次元カルト座標を置き換えるために,新しい低レベル純粋回転不変表現を導入する。 また,これらの表現を特徴に組み込むネットワークアーキテクチャを提案し,点とその近傍の局所的関係とグローバルな形状構造を符号化する。 本手法は, 形状分類, 部分分割, 形状検索を含む多点雲解析タスクにおいて評価する。
  論文  参考訳（メタデータ） (2020-03-16T14:04:45Z)

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。