論文の概要: EdgeFormer: local patch-based edge detection transformer on point clouds

• arxiv url: http://arxiv.org/abs/2604.21387v1
• Date: Thu, 23 Apr 2026 07:57:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-24 14:40:06.371048
• Title: EdgeFormer: local patch-based edge detection transformer on point clouds
• Title（参考訳）: EdgeFormer: ポイントクラウド上のローカルパッチベースのエッジ検出トランスフォーマー
• Authors: Yifei Xie, Zhikun Tu, Tong Yang, Yuhe Zhang, Xinyu Zhou,
• Abstract要約: We present a learning-based edge detection network, named EdgeFormer, which are mainly consist of two stage。 第1段階では,各点周辺の局所的近傍を記述した局所的パッチ特徴記述子を構築する。 第2段階では,第1段で生成された局所パッチ特徴記述子を解析して各点を分類する。
• 参考スコア（独自算出の注目度）: 8.593893106675825
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Edge points on 3D point clouds can clearly convey 3D geometry and surface characteristics, therefore, edge detection is widely used in many vision applications with high industrial and commercial demands. However, the fine-grained edge features are difficult to detect effectively as they are generally densely distributed or exhibit small-scale surface gradients. To address this issue, we present a learning-based edge detection network, named EdgeFormer, which mainly consists of two stages. Based on the observation that spatially neighboring points tend to exhibit high correlation, forming the local underlying surface, we convert the edge detection of the entire point cloud into a point classification based on local patches. Therefore, in the first stage, we construct local patch feature descriptors that describe the local neighborhood around each point. In the second stage, we classify each point by analyzing the local patch feature descriptors generated in the first stage. Due to the conversion of the point cloud into local patches, the proposed method can effectively extract the finer details. The experimental results show that our model demonstrates competitive performance compared to six baselines.
• Abstract（参考訳）: 3次元点雲上のエッジポイントは3次元形状と表面特性を明確に伝達できるため、産業的・商業的な要求の高い多くの視覚アプリケーションでエッジ検出が広く用いられている。 しかし、細粒度の特徴は、一般に密度分布または小さな表面勾配を示すため、効果的に検出することは困難である。 この問題に対処するために、主に2段階からなるEdgeFormerという学習ベースのエッジ検出ネットワークを提案する。 空間近傍の点が高相関性を示し, 局所的な表面を形成する傾向にあることから, 点雲全体のエッジ検出を局所的なパッチに基づく点分類に変換する。 そこで,第1段階で各点周辺の局所的近傍を記述した局所的パッチ特徴記述子を構築した。 第2段階では,第1段で生成された局所パッチ特徴記述子を解析して各点を分類する。 点雲の局所パッチへの変換により,提案手法はより微細な細部を効果的に抽出できる。 実験結果から,本モデルが6つのベースラインと比較して競争性能を示すことが示された。

関連論文リスト

• STAR-Edge: Structure-aware Local Spherical Curve Representation for Thin-walled Edge Extraction from Unstructured Point Clouds [20.484401728812376]
  薄肉構造体におけるエッジ点の検出と精錬のための新しいアプローチであるSTAR-Edgeを紹介する。 提案手法は, 局所球面曲線のユニークな表現を活用し, 構造認識近傍を創出する。 ABCデータセットと薄肉構造特化データセットで実施された実験は、STAR-Edgeが既存のエッジ検出方法より優れていることを示した。
  論文  参考訳（メタデータ） (2025-03-02T08:51:13Z)
• PointCFormer: a Relation-based Progressive Feature Extraction Network for Point Cloud Completion [19.503392612245474]
  ポイントクラウドの完成は、不完全なポイントクラウドから完全な3D形状を再構築することを目的としている。 PointCFormerは,ロバストなグローバル保持と正確な局所的詳細キャプチャに最適化されたトランスフォーマーフレームワークである。 PointCFormerは、広く使用されているベンチマークで最先端のパフォーマンスを示す。
  論文  参考訳（メタデータ） (2024-12-11T14:37:21Z)
• PotholeGuard: A Pothole Detection Approach by Point Cloud Semantic Segmentation [0.0]
  3Dセマンティック・ポトホールの研究は、しばしば点雲の空間性を見落とし、最適な局所的な特徴のキャプチャとセグメンテーションの精度をもたらす。 本モデルでは,隠れた特徴を効率よく同定し,局所特性を高めるためにフィードバック機構を用いる。 弊社のアプローチは、堅牢で正確な3Dポットホールセグメンテーション(pothole segmentation)のための有望なソリューションを提供する。
  論文  参考訳（メタデータ） (2023-11-05T12:57:05Z)
• iPUNet:Iterative Cross Field Guided Point Cloud Upsampling [20.925921503694894]
  3Dスキャン装置によって取得される点雲は、しばしば疎く、ノイズが多く、一様ではないため、幾何学的特徴が失われる。 任意の比率で高密度および均一な点を生成する学習ベースポイントアップサンプリング手法iPUNetを提案する。 iPUNetは、ノイズや不均一に分散された入力を処理し、最先端のクラウドサンプリング手法より優れていることを示す。
  論文  参考訳（メタデータ） (2023-10-13T13:24:37Z)
• CircNet: Meshing 3D Point Clouds with Circumcenter Detection [67.23307214942696]
  3次元点雲を三角形メッシュに再構成することは、計算幾何学と表面再構成の重要な問題である。 我々は,点雲三角測量を実現するために,周辺を検知するディープニューラルネットワークを導入する。 我々は水密面と開面面の両方の顕著なデータセットに対して本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2023-01-23T03:32:57Z)
• Flattening-Net: Deep Regular 2D Representation for 3D Point Cloud Analysis [66.49788145564004]
  我々は、任意の幾何学と位相の不規則な3次元点雲を表現するために、Flattning-Netと呼ばれる教師なしのディープニューラルネットワークを提案する。 我々の手法は、現在の最先端の競合相手に対して好意的に機能する。
  論文  参考訳（メタデータ） (2022-12-17T15:05:25Z)
• Adaptive Edge-to-Edge Interaction Learning for Point Cloud Analysis [118.30840667784206]
  ポイントクラウドデータ処理の大きな問題は、ローカルリージョンから有用な情報を抽出することだ。 従来の研究は、局所的な形状情報を符号化する地域におけるエッジ間の関係を無視していた。 本稿では,Adaptive Edge-to-Edge Interaction Learningモジュールを提案する。
  論文  参考訳（メタデータ） (2022-11-20T07:10:14Z)
• P2-Net: Joint Description and Detection of Local Features for Pixel and Point Matching [78.18641868402901]
  この研究は、2D画像と3D点雲の微粒な対応を確立するための取り組みである。 画素領域と点領域の固有情報変動を緩和するために,新しい損失関数と組み合わせた超広帯域受信機構を設計した。
  論文  参考訳（メタデータ） (2021-03-01T14:59:40Z)
• DH3D: Deep Hierarchical 3D Descriptors for Robust Large-Scale 6DoF Relocalization [56.15308829924527]
  生の3D点から直接3次元特徴の検出と記述を共同で学習するシームズネットワークを提案する。 3次元キーポイントを検出するために,局所的な記述子の識別性を教師なしで予測する。 各種ベンチマーク実験により,本手法はグローバルポイントクラウド検索とローカルポイントクラウド登録の両面で競合する結果が得られた。
  論文  参考訳（メタデータ） (2020-07-17T20:21:22Z)

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。