論文の概要: Manifold-Aware Point Cloud Completion via Geodesic-Attentive Hierarchical Feature Learning

• arxiv url: http://arxiv.org/abs/2512.05710v1
• Date: Fri, 05 Dec 2025 13:38:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-13 22:40:57.038175
• Title: Manifold-Aware Point Cloud Completion via Geodesic-Attentive Hierarchical Feature Learning
• Title（参考訳）: 測地論的階層的特徴学習によるマニフォールド・アウェア・ポイント・クラウド・コンプリート
• Authors: Jianan Sun, Dongzhihan Wang, Mingyu Fan,
• Abstract要約: 特徴学習パイプライン全体を通して非線形幾何学情報を明示的に組み込んだ,多様体対応のクラウド補完フレームワークを提案する。 我々の手法は、復元品質における最先端の手法を一貫して上回っている。
• 参考スコア（独自算出の注目度）: 3.214168764374659
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Point cloud completion seeks to recover geometrically consistent shapes from partial or sparse 3D observations. Although recent methods have achieved reasonable global shape reconstruction, they often rely on Euclidean proximity and overlook the intrinsic nonlinear geometric structure of point clouds, resulting in suboptimal geometric consistency and semantic ambiguity. In this paper, we present a manifold-aware point cloud completion framework that explicitly incorporates nonlinear geometry information throughout the feature learning pipeline. Our approach introduces two key modules: a Geodesic Distance Approximator (GDA), which estimates geodesic distances between points to capture the latent manifold topology, and a Manifold-Aware Feature Extractor (MAFE), which utilizes geodesic-based $k$-NN groupings and a geodesic-relational attention mechanism to guide the hierarchical feature extraction process. By integrating geodesic-aware relational attention, our method promotes semantic coherence and structural fidelity in the reconstructed point clouds. Extensive experiments on benchmark datasets demonstrate that our approach consistently outperforms state-of-the-art methods in reconstruction quality.
• Abstract（参考訳）: 点雲の完成は、部分的あるいはスパースな3D観測から幾何的に一貫した形状を復元しようとする。 最近の方法では合理的な大域的な形状の再構成が達成されているが、ユークリッドの近接に頼り、点雲の内在的な非線形幾何学的構造を見落とし、最適でない幾何学的整合性と意味的曖昧さをもたらす。 本稿では,特徴学習パイプライン全体を通して非線形幾何学情報を明示的に組み込んだ,多様体対応のクラウド補完フレームワークを提案する。 提案手法では,測地線距離近似器 (GDA) と,測地線に基づく$k$-NNグルーピングと測地線関連アテンション機構を用いて,階層的特徴抽出プロセスの導出を行うマニフォールド・アウェア・フィーチャー・エクストラクタ (MAFE) の2つの重要なモジュールを導入する。 ジオデシック・アウェア・リレーショナル・アテンションを統合することにより,再構成された点群における意味的コヒーレンスと構造的忠実性を促進する。 ベンチマークデータセットの大規模な実験により、我々のアプローチは再構築品質において最先端の手法を一貫して上回っていることが示された。

関連論文リスト

• GeoGNN: Quantifying and Mitigating Semantic Drift in Text-Attributed Graphs [59.61242815508687]
  テキスト分散グラフ(TAG)上のグラフニューラルネットワーク(GNN)は、事前訓練された言語モデル(PLM)を使用してノードテキストを符号化し、これらの埋め込みを線形近傍アグリゲーションを通じて伝播する。 本研究は,意味的ドリフトの度合いを計測する局所PCAベースの計量を導入し,異なる凝集機構が多様体構造にどのように影響するかを解析するための最初の定量的枠組みを提供する。
  論文  参考訳（メタデータ） (2025-11-12T06:48:43Z)
• Preserving Topological and Geometric Embeddings for Point Cloud Recovery [43.26116605528137]
  我々は、サンプリングおよび復元フェーズを通じてこれらの重要な特性を維持する、textbfTopGeoFormer というエンドツーエンドアーキテクチャを提案する。 実験では,従来型および学習型サンプリング/アップ/リカバリアルゴリズムを用いて,環境を包括的に分析する。
  論文  参考訳（メタデータ） (2025-07-25T09:58:41Z)
• Latent Manifold Reconstruction and Representation with Topological and Geometrical Regularization [1.8335627278682702]
  本稿では,雑音の多い点群から潜在多様体構造を発見できる,多様体再構成層を統合するAutoEncoderに基づく手法を提案する。 ポイントクラウドデータセットの実験では、この手法がt-SNE、UMAP、トポロジカルオートエンコーダといったベースラインより優れていることが示された。
  論文  参考訳（メタデータ） (2025-05-07T13:47:22Z)
• (Deep) Generative Geodesics [57.635187092922976]
  2つのデータポイント間の類似性を評価するために,新しい測定基準を導入する。 我々の計量は、生成距離と生成測地学の概念的定義に繋がる。 彼らの近似は、穏やかな条件下で真の値に収束することが証明されている。
  論文  参考訳（メタデータ） (2024-07-15T21:14:02Z)
• DeepBranchTracer: A Generally-Applicable Approach to Curvilinear Structure Reconstruction Using Multi-Feature Learning [12.047523258256088]
  本稿では,外部画像の特徴と内部幾何学的特徴の両方を学習し,曲線構造を再構築するDeepBranchTracerを紹介する。 既存のセグメンテーション法や再構成法よりも優れた性能を示すため,2次元データセットと3次元データセットの両方でモデルを広範囲に評価した。
  論文  参考訳（メタデータ） (2024-02-02T07:13:07Z)
• Human as Points: Explicit Point-based 3D Human Reconstruction from Single-view RGB Images [71.91424164693422]
  我々はHaPと呼ばれる明示的なポイントベース人間再構築フレームワークを導入する。 提案手法は,3次元幾何学空間における完全明示的な点雲推定,操作,生成,洗練が特徴である。 我々の結果は、完全に明示的で幾何学中心のアルゴリズム設計へのパラダイムのロールバックを示すかもしれない。
  論文  参考訳（メタデータ） (2023-11-06T05:52:29Z)
• GeoUDF: Surface Reconstruction from 3D Point Clouds via Geometry-guided Distance Representation [73.77505964222632]
  スパース点雲から離散曲面を再構成する問題に対処する学習ベース手法であるGeoUDFを提案する。 具体的には、UDFのための幾何誘導学習法とその勾配推定を提案する。 予測されたUDFから三角形メッシュを抽出するために,カスタマイズされたエッジベースマーチングキューブモジュールを提案する。
  論文  参考訳（メタデータ） (2022-11-30T06:02:01Z)
• Improving Semantic Analysis on Point Clouds via Auxiliary Supervision of Local Geometric Priors [34.4685487625487]
  本稿では,局所的な形状を持つ幾何学的学習による意味解析を改善するために,一意なマルチタスク幾何学習ネットワークを提案する試みである。 提案した幾何学的自己教師と特権学習アルゴリズムは,背骨や他の最先端の手法よりも優れた性能が得られる。
  論文  参考訳（メタデータ） (2020-01-14T14:33:31Z)

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。