Fugu-MT 論文翻訳(概要): PointCNN++: Performant Convolution on Native Points

論文の概要: PointCNN++: Performant Convolution on Native Points

arxiv url: http://arxiv.org/abs/2511.23227v2
Date: Tue, 02 Dec 2025 00:45:32 GMT
ステータス: 翻訳完了
システム内更新日: 2025-12-03 14:50:32.06835
Title: PointCNN++: Performant Convolution on Native Points
Title（参考訳）: PointCNN++: ネイティブポイント上のパフォーマンスの高いコンボリューション
Authors: Lihan Li, Haofeng Zhong, Rui Bu, Mingchao Sun, Wenzheng Chen, Baoquan Chen, Yangyan Li,
Abstract要約: 既存の3Dポイントクラウドデータの畳み込み学習方法は、2つのパラダイムに分けられる。点ベースの手法は幾何精度を保っているが、しばしば性能上の課題に直面している。ボクセル法は幾何学的忠実度を犠牲にして量子化することで高い効率を達成する。我々は、この精度と性能のトレードオフを根本的に緩和する新しいアーキテクチャ設計であるPointCNN++を提案する。
参考スコア（独自算出の注目度）: 25.82514121801553
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Existing convolutional learning methods for 3D point cloud data are divided into two paradigms: point-based methods that preserve geometric precision but often face performance challenges, and voxel-based methods that achieve high efficiency through quantization at the cost of geometric fidelity. This loss of precision is a critical bottleneck for tasks such as point cloud registration. We propose PointCNN++, a novel architectural design that fundamentally mitigates this precision-performance trade-off. It $\textbf{generalizes sparse convolution from voxels to points}$, treating voxel-based convolution as a specialized, degraded case of our more general point-based convolution. First, we introduce a point-centric convolution where the receptive field is centered on the original, high-precision point coordinates. Second, to make this high-fidelity operation performant, we design a computational strategy that operates $\textbf{natively}$ on points. We formulate the convolution on native points as a Matrix-Vector Multiplication and Reduction (MVMR) problem, for which we develop a dedicated, highly-optimized GPU kernel. Experiments demonstrate that PointCNN++ $\textbf{uses an order of magnitude less memory and is several times faster}$ than representative point-based methods. Furthermore, when used as a simple replacement for the voxel-based backbones it generalizes, it $\textbf{significantly improves point cloud registration accuracies while proving both more memory-efficient and faster}$. PointCNN++ shows that preserving geometric detail and achieving high performance are not mutually exclusive, paving the way for a new class of 3D learning with high fidelity and efficiency. Our code will be open sourced.
Abstract（参考訳）: 既存の3Dポイントクラウドデータの畳み込み学習手法は、幾何学的精度を保ちながら、しばしば性能上の課題に直面している点ベースの手法と、幾何学的忠実さを犠牲にして量子化によって高い効率を達成するボクセルベースの方法の2つのパラダイムに分けられる。この精度の喪失は、ポイントクラウド登録のようなタスクにとって重要なボトルネックである。我々は、この精度と性能のトレードオフを根本的に緩和する新しいアーキテクチャ設計であるPointCNN++を提案する。これは、ボクセルから点へのスパース畳み込みを一般化し、ボクセルベースの畳み込みを、より一般的な点ベースの畳み込みの特殊で劣化したケースとして扱う。まず、受容場が元の高精度な点座標に集中する点中心の畳み込みを導入する。第二に、この高忠実度演算性能を実現するために、点上で$\textbf{natively}$を演算する計算戦略を設計する。行列ベクトル乗算還元(MVMR)問題としてネイティブポイント上の畳み込みを定式化し,高度に最適化された専用GPUカーネルを開発する。実験によると、PointCNN++ $\textbf{use はメモリの桁数が桁違い少なく、代表的なポイントベースのメソッドよりも数倍高速である。さらに、それが一般化するボクセルベースのバックボーンの単純な置き換えとして使用すると、$\textbf{significantantlyでポイントクラウド登録精度が向上し、メモリ効率と高速化の両方が証明される。 PointCNN++は、幾何学的詳細を保存し、高い性能を達成することは、相互に排他的ではなく、高い忠実性と効率性を持つ新しい3D学習の道を開くことを示している。私たちのコードはオープンソースになります。

関連論文リスト

Fast Point Cloud Geometry Compression with Context-based Residual Coding and INR-based Refinement [19.575833741231953]
我々は、KNN法を用いて、原表面点の近傍を決定する。条件付き確率モデルは局所幾何学に適応し、大きな速度減少をもたらす。暗黙のニューラル表現を精製層に組み込むことで、デコーダは任意の密度で下面の点をサンプリングすることができる。
論文参考訳（メタデータ） (2024-08-06T05:24:06Z)
Quadric Representations for LiDAR Odometry, Mapping and Localization [93.24140840537912]
現在のLiDARオードメトリ、マッピング、ローカライズ手法は、3Dシーンのポイントワイズ表現を利用する。 3次元オブジェクトのよりコンパクトな表現である2次元曲面を用いたシーン記述法を提案する。提案手法は低レイテンシとメモリの有効性を維持しつつ、競争力があり、しかも精度も優れている。
論文参考訳（メタデータ） (2023-04-27T13:52:01Z)
Using a Waffle Iron for Automotive Point Cloud Semantic Segmentation [66.6890991207065]
スパース3D畳み込みは、ディープニューラルネットワークを構築するためのデファクトツールとなっている。本稿では,スパース畳み込みを必要とせず,最先端の手法に到達できる方法を提案する。このような性能のレベルは、大規模かつ高性能な3D知覚に相応しいツールに依存して達成可能であることを示す。
論文参考訳（メタデータ） (2023-01-24T16:10:08Z)
Stratified Transformer for 3D Point Cloud Segmentation [89.9698499437732]
Stratified Transformerは、長距離コンテキストをキャプチャし、強力な一般化能力と高性能を示す。不規則な点配置によって引き起こされる課題に対処するために,局所情報を集約する第1層点埋め込みを提案する。 S3DIS, ScanNetv2およびShapeNetPartデータセットにおける本手法の有効性と優位性を示す実験を行った。
論文参考訳（メタデータ） (2022-03-28T05:35:16Z)
Rethinking Network Design and Local Geometry in Point Cloud: A Simple Residual MLP Framework [55.40001810884942]
我々は、洗練された局所幾何学的抽出器を組み込んだ純粋な残留ネットワークPointMLPを導入するが、それでも非常に競争力がある。実世界のScanObjectNNデータセットでは,従来のベストメソッドを3.3%の精度で上回ります。最新のCurveNetと比較して、PointMLPは2倍速く、テストは7倍速く、ModelNet40ベンチマークではより正確である。
論文参考訳（メタデータ） (2022-02-15T01:39:07Z)
Winograd Convolution for Deep Neural Networks: Efficient Point Selection [0.8043754868448141]
本稿では,c に対する実数値数の全範囲を用いて,-1/c,-c,c,1/c の形の点を用いた点選択手法を提案する。 c の異なる値に対する誤差は、実値数の範囲にわたって粗い曲線を形成し、c の値のローカライズに役立ち、誤差を減少させる。小型コンボリューションの規模について検討し, 2%から約59%の誤差を1Dおよび2Dの畳み込みに対して減少させる。
論文参考訳（メタデータ） (2022-01-25T15:00:54Z)
Revisiting Point Cloud Simplification: A Learnable Feature Preserving Approach [57.67932970472768]
MeshとPoint Cloudの単純化手法は、3Dモデルの複雑さを低減しつつ、視覚的品質と関連する健全な機能を維持することを目的としている。そこで本研究では,正解点の標本化を学習し,高速点雲の簡易化手法を提案する。提案手法は、入力空間から任意のユーザ定義の点数を選択し、視覚的知覚誤差を最小限に抑えるために、その位置を再配置するよう訓練されたグラフニューラルネットワークアーキテクチャに依存する。
論文参考訳（メタデータ） (2021-09-30T10:23:55Z)
Dynamic Convolution for 3D Point Cloud Instance Segmentation [146.7971476424351]
動的畳み込みに基づく3次元点雲からのインスタンスセグメンテーション手法を提案する。我々は、同じ意味圏と閉投票を持つ等質点を幾何学的遠近点に対して収集する。提案手法は提案不要であり、代わりに各インスタンスの空間的および意味的特性に適応する畳み込みプロセスを利用する。
論文参考訳（メタデータ） (2021-07-18T09:05:16Z)
DV-ConvNet: Fully Convolutional Deep Learning on Point Clouds with Dynamic Voxelization and 3D Group Convolution [0.7340017786387767]
3次元点雲の解釈は、成分点のランダム性と空間性のために難しい課題である。本研究では,効率的な3Dポイントクラウド解釈に向けて,標準的な3Dコンボリューションに注意を向ける。我々のネットワークは、非常に高速に動作し、収束することができるが、いくつかのベンチマークデータセットの最先端の手法と比較して、オンパーまたはさらにパフォーマンスが向上する。
論文参考訳（メタデータ） (2020-09-07T07:45:05Z)

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。