論文の概要: UGD: An Unsupervised Geometric Distance for Evaluating Real-world Noisy Point Cloud Denoising

• arxiv url: http://arxiv.org/abs/2604.16976v1
• Date: Sat, 18 Apr 2026 12:09:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.270071
• Title: UGD: An Unsupervised Geometric Distance for Evaluating Real-world Noisy Point Cloud Denoising
• Title（参考訳）: UGD: 実世界のノイズポイントクラウド評価のための教師なし幾何学的距離
• Authors: Zhiyong Su, Jincan Wu, Yonghui Liu, Zheng Li, Weiqing Li,
• Abstract要約: ポイントクラウドは、現実世界のポイントクラウドアプリケーションにおいて、基本的で決定的な課題である。 既存のポイントクラウド復調手法の定量的評価指標を教師付き方式で実装する。 本稿では,実世界のノイズの多い点雲をデノナイズするための,単純で効果的な教師なし幾何距離(UGD)を提案する。
• 参考スコア（独自算出の注目度）: 13.787651683814133
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Point cloud denoising is a fundamental and crucial challenge in real-world point cloud applications. Existing quantitative evaluation metrics for point cloud denoising methods are implemented in a supervised manner, which requires both the denoised point cloud and the corresponding ground-truth clean point cloud to compute a representative geometric distance. This requirement is highly problematic in real-world scenarios, where ground-truth clean point clouds are often unavailable. In this paper, we propose a simple yet effective unsupervised geometric distance (UGD) for real-world noisy point cloud denoising, calculated solely from noisy point clouds. The core idea of UGD is to learn a patch-wise prior model from a set of clean point clouds and then employ this prior model as the ground-truth to quantify the degradation by measuring the geometric variations of the denoised point cloud. To this end, we first learn a pristine Gaussian Mixture Model (GMM) with extracted patch-wise quality-aware features from a set of pristine clean point clouds by a patch-wise feature extraction network, which serves as the ground-truth for the quantitative evaluation. Then, the UGD is defined as the weighted sum of distances between each patch of the denoised point cloud and the learned pristine GMM model in the patch space. To train the employed patch-wise feature extraction network, we propose a self-supervised training framework through multi-task learning, which includes pair-wise quality ranking, distortion classification, and distortion distribution prediction. Quantitative experiments with synthetic noise confirm that the proposed UGD achieves comparable performance to supervised full-reference metrics. Moreover, experimental results on real-world data demonstrate that the proposed UGD enables unsupervised evaluation of point cloud denoising methods based exclusively on noisy point clouds.
• Abstract（参考訳）: ポイントクラウドは、現実世界のポイントクラウドアプリケーションにおいて、基本的で決定的な課題である。 既存の点雲復調手法の定量的評価指標を教師付き方式で実装し, 代表的な幾何学的距離を計算するためには, 点雲とそれに対応する接地トラスクリーン点雲の両方が必要となる。 この要件は、真真正なクリーンポイントの雲がしばしば利用できない現実のシナリオにおいて非常に問題となる。 本稿では,実世界のノイズ点雲をノイズ点雲のみから計算した単純な非教師付き幾何距離(UGD)を提案する。 UGDの中核となる考え方は、クリーンポイント雲の集合からパッチワイド先行モデルを学習し、その先行モデルを基底として利用して、偏極雲の幾何学的変動を測定して劣化を定量化することである。 この目的のために,我々はまず,パッチワイド特徴抽出ネットワークを用いて,一組のクリーンポイント雲から,パッチワイド品質を考慮したGMM(Pristine Gaussian Mixture Model)を抽出した。 次に、UGDは、復調点雲の各パッチと、パッチ空間における学習されたプリスタンGMMモデルとの間の距離の重み付け和として定義される。 パッチワイド特徴抽出ネットワークを訓練するために、ペアワイド品質ランキング、歪み分類、歪み分布予測を含むマルチタスク学習による自己教師付きトレーニングフレームワークを提案する。 合成雑音による定量的実験により、提案したUGDは、教師付き全参照指標と同等の性能を達成できることを確認した。 さらに, 実世界のデータを用いた実験結果から, 提案したUGDは, ノイズの多い点群のみに基づく点群群分類手法の教師なし評価を可能にすることを示した。

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)
• UPP: Unified Point-Level Prompting for Robust Point Cloud Analysis [36.565699477170504]
  既存の方法は、専用のデノベーションと完了モデルを開発することによって、ポイントクラウドの品質を向上させることに重点を置いている。 本稿では,点雲の復調と完了をプロンプト機構として再構成する統一点レベルプロンプト手法を提案する。 4つのデータセットに対する大規模な実験は、ノイズや不完全点のクラウドデータを扱う際の方法の優位性と堅牢性を示している。
  論文  参考訳（メタデータ） (2025-07-25T06:54:30Z)
• 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)
• Bridging Domain Gap of Point Cloud Representations via Self-Supervised Geometric Augmentation [15.881442863961531]
  領域間の点雲表現の幾何学的不変性を誘導する新しいスキームを提案する。 一方、点雲のセントロイドシフトを軽減するために、拡張サンプルの距離の変換を予測するための新しいプレテキストタスクが提案されている。 一方,我々は幾何学的に拡張された点雲上での自己教師付き関係学習の統合を開拓した。
  論文  参考訳（メタデータ） (2024-09-11T02:39:19Z)
• Learning Continuous Implicit Field with Local Distance Indicator for Arbitrary-Scale Point Cloud Upsampling [55.05706827963042]
  点雲アップサンプリングは、疎点雲から密度が高く均一に分散した点集合を生成することを目的としている。 従来のメソッドは通常、スパースポイントクラウドをいくつかのローカルパッチ、アップサンプルパッチポイント、すべてのアップサンプルパッチにマージする。 そこで本研究では,点雲のアップサンプリングのために,局所的な先行者によって導かれる符号のない距離場を学習する手法を提案する。
  論文  参考訳（メタデータ） (2023-12-23T01:52:14Z)
• 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)
• One-Nearest Neighborhood Guides Inlier Estimation for Unsupervised Point Cloud Registration [24.275038551236907]
  教師なしポイントクラウド登録のための効果的な不整合推定法を提案する。 ソースポイントクラウドと対応するリファレンスポイントクラウドコピーとの間の幾何学的構造整合性を捉える。 提案したモデルを教師なしで訓練し,提案手法の有効性を示す合成および実世界のデータセットの実験を行った。
  論文  参考訳（メタデータ） (2023-07-26T08:04:01Z)
• PointPatchMix: Point Cloud Mixing with Patch Scoring [58.58535918705736]
  我々は、パッチレベルでポイントクラウドを混合し、混合ポイントクラウドのコンテンツベースターゲットを生成するPointPatchMixを提案する。 パッチスコアリングモジュールは、事前学習した教師モデルから、コンテンツに基づく重要度スコアに基づいて目標を割り当てる。 Point-MAE をベースラインとして,ScanObjectNN では86.3%,ModelNet40 では94.1% の精度で,従来の手法をかなり上回りました。
  論文  参考訳（メタデータ） (2023-03-12T14:49:42Z)
• TCDM: Transformational Complexity Based Distortion Metric for Perceptual Point Cloud Quality Assessment [24.936061591860838]
  客観的クラウド品質評価(PCQA)研究の目標は、ポイントクラウド品質を一貫した方法で測定するメトリクスを開発することである。 歪んだ点雲を基準に戻す複雑さを計測することで点雲の質を評価する。 提案手法の有効性を,5つのパブリッククラウド品質評価データベース上で行った広範囲な実験を通じて評価した。
  論文  参考訳（メタデータ） (2022-10-10T13:20:51Z)
• PointCAT: Contrastive Adversarial Training for Robust Point Cloud Recognition [111.55944556661626]
  我々は、ポイントクラウド認識モデルの堅牢性を高めるために、PointCAT(Point-Cloud Contrastive Adversarial Training)を提案する。 我々は、教師付きコントラスト損失を利用して、認識モデルにより抽出された超球面特徴のアライメントと均一性を促進する。 より難易度の高い点雲を実現するため,認識モデルと逆向きにノイズ発生装置をスクラッチから訓練する。
  論文  参考訳（メタデータ） (2022-09-16T08:33:04Z)

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。