論文の概要: Transmit Weights, Not Features: Orthogonal-Basis Aided Wireless Point-Cloud Transmission
- arxiv url: http://arxiv.org/abs/2512.03819v1
- Date: Wed, 03 Dec 2025 14:07:47 GMT
- ステータス: 情報取得中
- システム内更新日: 2025-12-04 11:58:25.556431
- Title: Transmit Weights, Not Features: Orthogonal-Basis Aided Wireless Point-Cloud Transmission
- Title（参考訳）: トランスミッションウェイト、機能なし:直交バシス支援ワイヤレスポイントクラウドトランスミッション
- Authors: Junlin Chang, Yubo Han, Hnag Yue, John S Thompson, Rongke Liu,
- Abstract要約: ディープジョイント・ソース - チャネル・コーディング (DeepJSCC) 上に構築された3Dポイント・クラウドのためのセマンティック・ワイヤレス・トランスミッション・フレームワークを提案する。
送信機は、生の特徴を送る代わりに、受信側セマンティックな直交特徴プール上での組み合わせ重みを予測し、コンパクトな表現と堅牢な再構成を可能にする。
折り畳み型デコーダは、2Dグリッドを3Dに変形させ、幾何学的忠実性を保持しながら多様体の連続性を強制する。
- 参考スコア（独自算出の注目度）: 9.853100066584341
- License:
- Abstract: The widespread adoption of depth sensors has substantially lowered the barrier to point-cloud acquisition. This letter proposes a semantic wireless transmission framework for three dimension (3D) point clouds built on Deep Joint Source - Channel Coding (DeepJSCC). Instead of sending raw features, the transmitter predicts combination weights over a receiver-side semantic orthogonal feature pool, enabling compact representations and robust reconstruction. A folding-based decoder deforms a 2D grid into 3D, enforcing manifold continuity while preserving geometric fidelity. Trained with Chamfer Distance (CD) and an orthogonality regularizer, the system is evaluated on ModelNet40 across varying Signal-to-Noise Ratios (SNRs) and bandwidths. Results show performance on par with SEmantic Point cloud Transmission (SEPT) at high bandwidth and clear gains in bandwidth-constrained regimes, with consistent improvements in both Peak Signal-to-Noise Ratio (PSNR) and CD. Ablation experiments confirm the benefits of orthogonalization and the folding prior.
- Abstract（参考訳）: 深度センサーの普及により、ポイントクラウド獲得の障壁は大幅に低下した。
本稿では,Deep Joint Source - Channel Coding (DeepJSCC)上に構築された3次元(3D)点雲のセマンティック無線伝送フレームワークを提案する。
送信機は、生の特徴を送る代わりに、受信側セマンティックな直交特徴プール上での組み合わせ重みを予測し、コンパクトな表現と堅牢な再構成を可能にする。
折り畳み型デコーダは、2Dグリッドを3Dに変形させ、幾何学的忠実性を保持しながら多様体の連続性を強制する。
チャンファー距離 (CD) と直交正規化器 (直交正規化器) を併用して, 様々な信号-雑音比 (SNR) と帯域幅でModelNet40上で評価を行う。
その結果,高帯域幅でSEPT(SEmantic Point Cloud Transmission)と同等の性能を示し,帯域制限付きレシエーションでは明らかな利得を示し,ピーク信号対雑音比(PSNR)とCDの両面で一貫した改善が見られた。
アブレーション実験は直交化と折り畳みの利点を裏付けるものである。
関連論文リスト
- SWAN: Self-supervised Wavelet Neural Network for Hyperspectral Image Unmixing [0.2624902795082451]
本稿では,3段階の自己教師型ウェーブレットニューラルネットワークSWANについて紹介する。
この考え方は、自己教師付き学習パラダイムを用いて得られた不変かつ共変な特徴から潜在対称性を利用する。
信号対雑音比の異なる2つのベンチマーク合成データセットと3つの実ベンチマークハイパースペクトルデータセットで実験を行った。
論文 参考訳（メタデータ） (2025-10-26T10:05:48Z) - Cross3DReg: Towards a Large-scale Real-world Cross-source Point Cloud Registration Benchmark [57.42211080221526]
異なるセンサーからのポイントクラウドデータを整列することを目的とした、クロスソースのポイントクラウド登録は、3Dビジョンの基本的なタスクである。
ディープ登録モデルをトレーニングするための大規模な実世界のデータセットが公開されていないことや、複数のセンサーによってキャプチャされたポイントクラウド固有の違いが課題となっている。
現在世界最大のマルチモーダル・クロスソース・クラウド登録データセットであるCross3DRegを構築している。
クロスソース・ポイント・クラウド機能の整合性を高めるために,ビジュアル・ジオメトリ・アテンションガイド付きマッチングモジュールを提案する。
論文 参考訳（メタデータ） (2025-09-08T09:01:13Z) - DSVT: Dynamic Sparse Voxel Transformer with Rotated Sets [95.84755169585492]
本研究では,屋外3次元知覚のためのシングルストライドウィンドウベースのボクセルトランスであるDynamic Sparse Voxel Transformer (DSVT)を提案する。
本モデルでは,3次元認識タスクを多岐にわたって行うことにより,最先端の性能を実現する。
論文 参考訳（メタデータ） (2023-01-15T09:31:58Z) - D-DPCC: Deep Dynamic Point Cloud Compression via 3D Motion Prediction [18.897023700334458]
本稿では,新しい3次元スパース畳み込みを用いたDeep Dynamic Point Cloud Compressionネットワークを提案する。
DPC形状を3次元の運動推定と特徴空間での運動補償で補償し圧縮する。
実験結果から,提案したD-DPCCフレームワークは,映像ベースのポイントクラウド圧縮(V-PCC)v13に対して,平均76%のBDレート(Bjontegaard Delta Rate)を達成した。
論文 参考訳（メタデータ） (2022-05-02T18:10:45Z) - Multi-Band Wi-Fi Sensing with Matched Feature Granularity [37.40429912751046]
サブ6GHzの細粒度CSIと60GHzの中粒度ビームSNRの両方の特徴を階層的に融合するWi-Fiセンサ用マルチバンドWi-Fi融合法を提案する。
ラベル付きトレーニングデータの制限に対処するため,教師なしで事前学習可能なオートエンコーダベースのマルチバンドWi-Fi融合ネットワークを提案する。
論文 参考訳（メタデータ） (2021-12-28T05:50:58Z) - A Conditional Point Diffusion-Refinement Paradigm for 3D Point Cloud
Completion [69.32451612060214]
実スキャンされた3Dポイントクラウドはしばしば不完全であり、下流アプリケーションのために完全なポイントクラウドを復元することが重要である。
ほとんどの既存のポイントクラウド補完方法は、トレーニングにチャンファー距離(CD)損失を使用する。
本稿では,点雲完了のためのPDR(Point Diffusion-Refinement)パラダイムを提案する。
論文 参考訳（メタデータ） (2021-12-07T06:59:06Z) - Deep Point Cloud Reconstruction [74.694733918351]
3Dスキャンから得られる点雲は、しばしばスパース、ノイズ、不規則である。
これらの問題に対処するため、最近の研究は別々に行われ、不正確な点雲を密度化、復調し、完全な不正確な点雲を観測している。
本研究では,1) 初期密度化とデノナイズのための3次元スパース集積時間ガラスネットワーク,2) 離散ボクセルを3Dポイントに変換するトランスフォーマーによる改良,の2段階からなる深部点雲再構成ネットワークを提案する。
論文 参考訳（メタデータ） (2021-11-23T07:53:28Z) - Waveform Learning for Next-Generation Wireless Communication Systems [16.26230847183709]
本稿では,送信受信フィルタ,星座形状,それに付随するビットラベリング,およびニューラルネットワーク(NN)ベースの検出器の結合設計のための学習に基づく手法を提案する。
この方法は、隣接するチャネルリーク比(ACLR)とピーク・ツー・アベイジ・パワー比(PAPR)の制約を同時に満たしつつ、達成可能な情報レートを最大化する。
論文 参考訳（メタデータ） (2021-09-02T14:51:16Z) - Spherical Interpolated Convolutional Network with Distance-Feature
Density for 3D Semantic Segmentation of Point Clouds [24.85151376535356]
従来のグリッド形状の3次元畳み込み演算子を置き換えるために,球面補間畳み込み演算子を提案する。
提案手法は,ScanNetデータセットとParis-Lille-3Dデータセットで良好な性能を示す。
論文 参考訳（メタデータ） (2020-11-27T15:35:12Z) - Cylindrical and Asymmetrical 3D Convolution Networks for LiDAR
Segmentation [81.02742110604161]
大規模運転シーンのLiDARセグメンテーションのための最先端の手法は、しばしば点雲を2次元空間に投影し、2D畳み込みによって処理する。
そこで我々は,3次元幾何学的パタンを探索するために,円筒分割と非対称な3次元畳み込みネットワークを設計する,屋外LiDARセグメンテーションのための新しいフレームワークを提案する。
提案手法はセマンティックKITTIのリーダーボードにおいて第1位を獲得し,既存のnuScenesの手法を約4%のマージンで上回っている。
論文 参考訳（メタデータ） (2020-11-19T18:53:11Z) - Pseudo-LiDAR Point Cloud Interpolation Based on 3D Motion Representation
and Spatial Supervision [68.35777836993212]
我々はPseudo-LiDAR点雲ネットワークを提案し、時間的および空間的に高品質な点雲列を生成する。
点雲間のシーンフローを活用することにより,提案ネットワークは3次元空間運動関係のより正確な表現を学習することができる。
論文 参考訳（メタデータ） (2020-06-20T03:11:04Z)
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。