論文の概要: Adaptive Dual-Weighted Gravitational Point Cloud Denoising Method

• arxiv url: http://arxiv.org/abs/2512.10386v1
• Date: Thu, 11 Dec 2025 07:49:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-12 16:15:42.259603
• Title: Adaptive Dual-Weighted Gravitational Point Cloud Denoising Method
• Title（参考訳）: アダプティブデュアル重み付き重力点雲デノイング法
• Authors: Ge Zhang, Chunyang Wang, Bo Xiao, Xuelian Liu, Bin Liu,
• Abstract要約: 本稿では, 適応二重重力に基づく点雲デノナイジング法を提案する。 F1、PSNR、Chamfer Distanceの様々なノイズ条件における一貫した改善を実現している。 また、シングルフレーム処理時間を短縮し、マルチノイズシナリオにおける高い精度、堅牢性、リアルタイムパフォーマンスを検証する。
• 参考スコア（独自算出の注目度）: 10.397999108705962
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High-quality point cloud data is a critical foundation for tasks such as autonomous driving and 3D reconstruction. However, LiDAR-based point cloud acquisition is often affected by various disturbances, resulting in a large number of noise points that degrade the accuracy of subsequent point cloud object detection and recognition. Moreover, existing point cloud denoising methods typically sacrifice computational efficiency in pursuit of higher denoising accuracy, or, conversely, improve processing speed at the expense of preserving object boundaries and fine structural details, making it difficult to simultaneously achieve high denoising accuracy, strong edge preservation, and real-time performance. To address these limitations, this paper proposes an adaptive dual-weight gravitational-based point cloud denoising method. First, an octree is employed to perform spatial partitioning of the global point cloud, enabling parallel acceleration. Then, within each leaf node, adaptive voxel-based occupancy statistics and k-nearest neighbor (kNN) density estimation are applied to rapidly remove clearly isolated and low-density noise points, thereby reducing the effective candidate set. Finally, a gravitational scoring function that combines density weights with adaptive distance weights is constructed to finely distinguish noise points from object points. Experiments conducted on the Stanford 3D Scanning Repository, the Canadian Adverse Driving Conditions (CADC) dataset, and in-house FMCW LiDAR point clouds acquired in our laboratory demonstrate that, compared with existing methods, the proposed approach achieves consistent improvements in F1, PSNR, and Chamfer Distance (CD) across various noise conditions while reducing the single-frame processing time, thereby validating its high accuracy, robustness, and real-time performance in multi-noise scenarios.
• Abstract（参考訳）: 高品質のポイントクラウドデータは、自動運転や3D再構成といったタスクにとって重要な基盤である。 しかし、LiDARベースのポイントクラウドの取得は様々な障害の影響を受け、結果として多数のノイズポイントが発生し、その後のポイントクラウドオブジェクトの検出と認識の精度が低下する。 さらに、既存の点雲復調法は、一般に、高い復調精度を追求する際の計算効率を犠牲にしたり、逆に、物体境界の保存と微細な構造を犠牲にして処理速度を向上し、高い復調精度、強力なエッジ保存、リアルタイム性能を同時に達成することが困難となる。 これらの制約に対処するため, 適応型双重重力に基づく点雲復調法を提案する。 まず、オクツリーを用いて大域点雲の空間分割を行い、並列加速を可能にする。 次に, 各葉ノードにおいて, 適応ボクセルによる占有統計値とk-アレスト近傍(kNN)の密度推定を適用し, 明瞭で低密度なノイズ点を迅速に除去し, 有効候補セットの低減を図る。 最後に、密度重みと適応距離重みを組み合わせた重力スコアリング関数を構築し、雑音点と物体点を微妙に区別する。 実験室で得られたStanford 3D Scanning Repository, Canadian Adverse Driving Conditions (CADC) データセット, および社内のFMCW LiDAR点群を用いて行った実験により, 提案手法は従来の手法と比較して, F1, PSNR, Chamfer Distance (CD) の様々なノイズ条件における一貫した改善を実現し, シングルフレーム処理時間を短縮し, 高い精度, 堅牢性, リアルタイム性能をマルチノイズシナリオで検証した。

関連論文リスト

• U-CAN: Unsupervised Point Cloud Denoising with Consistency-Aware Noise2Noise Matching [87.76453413654922]
  我々は、一貫性を意識したノイズ2ノイズマッチングを用いて、ポイントクラウドをデノナイズするための教師なしフレームワークであるU-CANを紹介する。 具体的には、ニューラルネットワークを利用して、ノイズとノイズのマッチング方式で、形状やシーンの各点について、多段階のノイズ伝達経路を推測する。 整合性を考慮したデノナイズパターンの学習のための,デノナイズド幾何整合性に関する新しい制約を導入する。
  論文  参考訳（メタデータ） (2025-10-29T06:20:21Z)
• EC-Diff: Fast and High-Quality Edge-Cloud Collaborative Inference for Diffusion Models [57.059991285047296]
  高速な推論と高品質な生成を実現するために,ハイブリッドエッジクラウドコラボレーションフレームワークが最近提案されている。 過度の雲が推論時間を延ばす一方、不十分なステップは意味的な曖昧さを引き起こし、エッジモデルの出力の不整合を引き起こす。 勾配に基づく雑音推定により雲の推測を高速化するEC-Diffを提案する。 提案手法は, エッジ推定に比べて生成品質を著しく向上する一方で, クラウド推定に比べて平均2倍の速度アップを達成できる。
  論文  参考訳（メタデータ） (2025-07-16T07:23:14Z)
• RBFIM: Perceptual Quality Assessment for Compressed Point Clouds Using Radial Basis Function Interpolation [58.04300937361664]
  ポイントクラウド圧縮(PCC)の主な課題の1つは、知覚的品質にRBを最適化できるように、認識された歪みを評価する方法である。 本稿では、放射基底関数(RBF)を用いて離散点特徴を歪み点雲の連続特徴関数に変換する新しい評価法を提案する。
  論文  参考訳（メタデータ） (2025-03-18T11:25:55Z)
• Noise2Score3D:Unsupervised Tweedie's Approach for Point Cloud Denoising [0.0]
  Noise2Score3Dはノイズデータから直接基礎となる点雲分布の勾配を学習する。 提案手法は,既存の教師なし手法における反復処理を回避するため,単一のステップで推論を行う。 本稿では,未知の雑音パラメータを推定できる基準であるTtal Variation for Point Cloudを紹介する。
  論文  参考訳（メタデータ） (2025-02-24T04:23:21Z)
• TripleMixer: A 3D Point Cloud Denoising Model for Adverse Weather [10.564182855472328]
  逆気象条件は、LiDARベースの知覚モデルに重大な課題をもたらす。 本稿では,空間,周波数,チャネルワイズ処理を統合したポイントクラウドデノナイズネットワークであるTripleMixerを提案する。 大規模な実験により、TripleMixerは最先端のデノイング性能を達成している。
  論文  参考訳（メタデータ） (2024-08-25T10:45:52Z)
• Fast Learning of Signed Distance Functions from Noisy Point Clouds via Noise to Noise Mapping [54.38209327518066]
  点雲から符号付き距離関数を学習することは、3Dコンピュータビジョンにおいて重要な課題である。 クリーンポイントクラウドや地上の真理監督を必要としないノイズ・ノイズマッピングを用いてSDFを学習することを提案する。 我々の新しい特徴はノイズ・ト・ノイズマッピングにあり、1つの物体やシーンの高精度なSDFを、その多重または単一ノイズの観測から推測することができる。
  論文  参考訳（メタデータ） (2024-07-04T03:35:02Z)
• Fast graph-based denoising for point cloud color information [29.126056066012264]
  例えば、3Dポイントクラウドを使ったライブストリーミングでは、視覚的品質を高めるためにリアルタイムのポイントクラウドデノゲーション方法が必要である。 本稿では,大規模クラウドのための高速グラフベースデノイング(FGBD)を提案する。 本実験では,従来の復調法と比較して精度を保ちながら,処理時間を劇的に短縮することに成功した。
  論文  参考訳（メタデータ） (2024-01-18T04:51:41Z)
• Point Cloud Pre-training with Diffusion Models [62.12279263217138]
  我々は、ポイントクラウド拡散事前学習(PointDif)と呼ばれる新しい事前学習手法を提案する。 PointDifは、分類、セグメンテーション、検出など、さまざまな下流タスクのために、さまざまな現実世界のデータセット間で大幅に改善されている。
  論文  参考訳（メタデータ） (2023-11-25T08:10:05Z)
• StarNet: Style-Aware 3D Point Cloud Generation [82.30389817015877]
  StarNetは、マッピングネットワークを使用して高忠実度および3Dポイントクラウドを再構築し、生成することができる。 我々のフレームワークは、クラウドの再構築と生成タスクにおいて、様々なメトリクスで同等の最先端のパフォーマンスを達成します。
  論文  参考訳（メタデータ） (2023-03-28T08:21:44Z)

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。