論文の概要: Graph Smoothing for Enhanced Local Geometry Learning in Point Cloud Analysis

• arxiv url: http://arxiv.org/abs/2601.11102v1
• Date: Fri, 16 Jan 2026 09:01:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-19 20:21:50.42164
• Title: Graph Smoothing for Enhanced Local Geometry Learning in Point Cloud Analysis
• Title（参考訳）: 点雲解析における局所幾何学学習の高度化のためのグラフ平滑化
• Authors: Shangbo Yuan, Jie Xu, Ping Hu, Xiaofeng Zhu, Na Zhao,
• Abstract要約: グラフベースの手法は、3Dポイントクラウド分析のポイント間の関係を捉えるのに有効であることが証明されている。 これらの手法は、境界点における疎結合とジャンクション領域におけるノイズ結合により、しばしば準最適グラフ構造に悩まされる。 グラフ構造を最適化し、信頼できないスパース接続とノイズ接続の負の影響を最小限に抑えるために設計されたグラフ平滑化モジュールを導入する。
• 参考スコア（独自算出の注目度）: 19.545338629365894
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph-based methods have proven to be effective in capturing relationships among points for 3D point cloud analysis. However, these methods often suffer from suboptimal graph structures, particularly due to sparse connections at boundary points and noisy connections in junction areas. To address these challenges, we propose a novel method that integrates a graph smoothing module with an enhanced local geometry learning module. Specifically, we identify the limitations of conventional graph structures, particularly in handling boundary points and junction areas. In response, we introduce a graph smoothing module designed to optimize the graph structure and minimize the negative impact of unreliable sparse and noisy connections. Based on the optimized graph structure, we improve the feature extract function with local geometry information. These include shape features derived from adaptive geometric descriptors based on eigenvectors and distribution features obtained through cylindrical coordinate transformation. Experimental results on real-world datasets validate the effectiveness of our method in various point cloud learning tasks, i.e., classification, part segmentation, and semantic segmentation.
• Abstract（参考訳）: グラフベースの手法は、3Dポイントクラウド分析のポイント間の関係を捉えるのに有効であることが証明されている。 しかし、これらの手法は、特に境界点における疎結合とジャンクション領域におけるノイズ結合によって、最適以下のグラフ構造に悩まされることが多い。 これらの課題に対処するために,グラフ平滑化モジュールと局所幾何学学習モジュールを統合した新しい手法を提案する。 具体的には,従来のグラフ構造,特に境界点やジャンクション領域を扱う際の限界を同定する。 これに対し、グラフ構造を最適化し、信頼できないスパース接続とノイズ接続の負の影響を最小限に抑えるように設計されたグラフ平滑化モジュールを提案する。 最適化されたグラフ構造に基づいて,局所的幾何情報を用いた特徴抽出関数を改良する。 これらには固有ベクトルに基づく適応幾何記述子から得られる形状特徴と、円筒座標変換によって得られる分布特徴が含まれる。 実世界のデータセットを用いた実験結果から,各種クラウド学習タスク,すなわち分類,部分分割,意味的セグメンテーションにおいて,本手法の有効性が検証された。

関連論文リスト

• Flexible Mesh Segmentation via Reeb Graph Representation of Geometrical and Topological Features [0.0]
  本稿では, フレキシブルリーブグラフ表現を用いて幾何学的特徴と位相的特徴を統合するメッシュセグメンテーション手法を提案する。 このアルゴリズムは,改良されたトポロジカルスケルトンアプローチを用いたリーブグラフの構築,重要な特徴を保ちながら臨界点のキャンセルによるグラフの位相的単純化,適応的な領域成長過程による連続セグメントの生成の3段階からなる。
  論文  参考訳（メタデータ） (2024-12-05T23:04:45Z)
• Graph Transformer GANs with Graph Masked Modeling for Architectural Layout Generation [153.92387500677023]
  本稿では,グラフノード関係を効果的に学習するために,GTGAN(Graph Transformer Generative Adversarial Network)を提案する。 提案したグラフ変換器エンコーダは、局所的およびグローバルな相互作用をモデル化するために、Transformer内のグラフ畳み込みと自己アテンションを組み合わせる。 また,グラフ表現学習のための自己指導型事前学習手法を提案する。
  論文  参考訳（メタデータ） (2024-01-15T14:36:38Z)
• Improving embedding of graphs with missing data by soft manifolds [51.425411400683565]
  グラフ埋め込みの信頼性は、連続空間の幾何がグラフ構造とどの程度一致しているかに依存する。 我々は、この問題を解決することができる、ソフト多様体と呼ばれる新しい多様体のクラスを導入する。 グラフ埋め込みにソフト多様体を用いることで、複雑なデータセット上のデータ解析における任意のタスクを追求するための連続空間を提供できる。
  論文  参考訳（メタデータ） (2023-11-29T12:48:33Z)
• Shape-Graph Matching Network (SGM-net): Registration for Statistical Shape Analysis [20.58923754314197]
  本稿では,形状グラフと呼ばれるデータオブジェクトの形状の統計的解析に着目する。 ここでの重要なニーズは、オブジェクト間のポイント(ノードからノード、エッジからエッジ)の制限された登録である。 本稿では,ニューラルネットアーキテクチャを用いて,この登録問題に対処する。
  論文  参考訳（メタデータ） (2023-08-14T00:42:03Z)
• GraphFit: Learning Multi-scale Graph-Convolutional Representation for Point Cloud Normal Estimation [31.40738037512243]
  本研究では,非構造3次元点雲の高精度かつ効率的な正規推定法を提案する。 我々は、より局所的な近傍幾何学を強調する正規推定のためのグラフ畳み込み特徴表現を学習する。 提案手法は,様々なベンチマークデータセットにおいて,最先端の精度で競合より優れる。
  論文  参考訳（メタデータ） (2022-07-23T10:29:26Z)
• Effective and Efficient Graph Learning for Multi-view Clustering [173.8313827799077]
  マルチビュークラスタリングのための効率的かつ効率的なグラフ学習モデルを提案する。 本手法はテンソルシャッテンp-ノルムの最小化により異なるビューのグラフ間のビュー類似性を利用する。 提案アルゴリズムは時間経済であり,安定した結果を得るとともに,データサイズによく対応している。
  論文  参考訳（メタデータ） (2021-08-15T13:14:28Z)
• Spectral Graph Convolutional Networks With Lifting-based Adaptive Graph Wavelets [81.63035727821145]
  スペクトルグラフ畳み込みネットワーク(SGCN)はグラフ表現学習において注目を集めている。 本稿では,適応グラフウェーブレットを用いたグラフ畳み込みを実装した新しいスペクトルグラフ畳み込みネットワークを提案する。
  論文  参考訳（メタデータ） (2021-08-03T17:57:53Z)
• Sparse Partial Least Squares for Coarse Noisy Graph Alignment [10.172041234280865]
  グラフ信号処理(GSP)は、様々な領域で発生する信号を分析する強力なフレームワークを提供する。 本稿では,観測されたグラフ構造を組み込んで,その基盤となるブロックコミュニティ構造を反映させる,新しい正則化部分最小二乗法を提案する。
  論文  参考訳（メタデータ） (2021-04-06T21:52:15Z)
• Multilayer Clustered Graph Learning [66.94201299553336]
  我々は、観測された層を代表グラフに適切に集約するために、データ忠実度用語として対照的な損失を用いる。 実験により,本手法がクラスタクラスタw.r.tに繋がることが示された。 クラスタリング問題を解くためのクラスタリングアルゴリズムを学習する。
  論文  参考訳（メタデータ） (2020-10-29T09:58:02Z)
• Graph Pooling with Node Proximity for Hierarchical Representation Learning [80.62181998314547]
  本稿では,ノード近接を利用したグラフプーリング手法を提案し,そのマルチホップトポロジを用いたグラフデータの階層的表現学習を改善する。 その結果,提案したグラフプーリング戦略は,公開グラフ分類ベンチマークデータセットの集合において,最先端のパフォーマンスを達成できることが示唆された。
  論文  参考訳（メタデータ） (2020-06-19T13:09:44Z)

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。