論文の概要: From Spherical to Gaussian: A Comparative Analysis of Point Cloud Cropping Strategies in Large-Scale 3D Environments

• arxiv url: http://arxiv.org/abs/2605.02098v1
• Date: Sun, 03 May 2026 23:36:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:50.080096
• Title: From Spherical to Gaussian: A Comparative Analysis of Point Cloud Cropping Strategies in Large-Scale 3D Environments
• Title（参考訳）: 球面からガウスへ:大規模3次元環境における点群作出戦略の比較分析
• Authors: Maximilian Kellner, Dominik Merkle, Michael Brunklaus, Alexander Reiterer,
• Abstract要約: 大規模な3Dポイントクラウドは数十億のポイントから構成される。 シーンの意味的理解を開発するために、ポイントクラウドは処理可能な小さなサブクラウドに分割される。 同様の点数を維持しつつ,より大きな収穫量で亜クラウドを生産する手法を提案する。
• 参考スコア（独自算出の注目度）: 39.21200612994709
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large-scale 3D point clouds can consist of billions of points. Even after downsampling, these point clouds are too large for modern 3D neural networks. In order to develop a semantic understanding of the scene, the point clouds are divided into smaller subclouds that can be processed. Typically, this division is done using spherical crops, resulting in a loss of surrounding geometric context. To address this issue, we propose alternative methods that produce subclouds with larger crop sizes while maintaining a similar number of points. Specifically, we compare exponential, Gaussian, and linear cropping methods with the spherical method. We evaluated two 3D deep learning model architectures using multiple indoor and outdoor environment datasets. Our results demonstrate that altering the cropping strategy can enhance model performance, especially for large-scale outdoor scenes, yielding new state-of-the-art results. Code is available at https://github.com/mvg-inatech/point_cloud_cropping
• Abstract（参考訳）: 大規模な3Dポイントクラウドは数十億のポイントから構成される。 ダウンサンプリング後も、これらの点雲は現代の3Dニューラルネットワークには大きすぎる。 シーンの意味的理解を開発するために、ポイントクラウドは処理可能な小さなサブクラウドに分割される。 通常、この分割は球形作物を用いて行われ、周囲の幾何学的文脈が失われる。 この問題に対処するために,同じような点数を維持しつつ,より大きな収穫量を持つサブクラウドを生成する方法を提案する。 具体的には,指数法,ガウス法,線形収穫法を球面法と比較する。 複数の屋内および屋外環境データセットを用いて2つの3次元ディープラーニングモデルアーキテクチャを評価した。 以上の結果から,特に大規模屋外シーンにおいて,収穫戦略の変更によりモデル性能が向上し,新たな成果が得られた。 コードはhttps://github.com/mvg-inatech/point_cloud_croppingで入手できる。

関連論文リスト

• DG-MVP: 3D Domain Generalization via Multiple Views of Point Clouds for Classification [10.744510913722817]
  ディープニューラルネットワークは3Dポイントクラウド分類において大きな成功を収めている。 本稿では,3次元クラウド領域の一般化問題に焦点をあてる。 本稿では,3次元点雲領域の一般化手法を提案する。
  論文  参考訳（メタデータ） (2025-04-16T19:43:32Z)
• Geometrically-driven Aggregation for Zero-shot 3D Point Cloud Understanding [11.416392706435415]
  ゼロショット3Dポイントクラウド理解は2Dビジョンランゲージモデル(VLM)によって達成できる 既存の戦略は、ヴィジュアル・ランゲージ・モデル(Vision-Language Model)をレンダリングまたはキャプチャされた2Dピクセルから3Dポイントにマッピングし、固有かつ表現可能な雲の幾何学構造を見渡す。 本稿では, 点雲の3次元幾何学的構造を利用して, 移動したビジョン・ランゲージモデルの品質を向上させるための, 初となるトレーニングフリーアグリゲーション手法を提案する。
  論文  参考訳（メタデータ） (2023-12-04T12:30:07Z)
• CurveCloudNet: Processing Point Clouds with 1D Structure [49.137477909835276]
  我々はCurveCloudNetと呼ばれる新しいポイントクラウド処理方式とバックボーンを導入する。 CurveCloudNetは、ポイントクラウドをポリラインの集合としてパラメータ化し、ポイント上の局所的なサーフェスアウェアの順序を確立する。 CurveCloudNetは、様々なセグメンテーション設定において、ポイントベースとスパースボクセルの両方のバックボーンよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-03-21T17:41:36Z)
• PointInverter: Point Cloud Reconstruction and Editing via a Generative Model with Shape Priors [25.569519066857705]
  本稿では,3次元生成逆数ネットワークの潜在空間に3次元点雲をマッピングする新しい手法を提案する。 提案手法は,従来の3次元点雲のGANインバージョン法よりも優れていた。
  論文  参考訳（メタデータ） (2022-11-16T06:29:29Z)
• POCO: Point Convolution for Surface Reconstruction [92.22371813519003]
  入射ニューラルネットワークは点雲からの表面再構成に成功している。 それらの多くは、オブジェクトやシーン全体を1つの潜伏ベクトルにエンコードするときにスケーラビリティの問題に直面します。 本稿では,各入力点における点雲畳み込みと潜在ベクトルの計算を提案する。
  論文  参考訳（メタデータ） (2022-01-05T21:26:18Z)
• Learning Semantic Segmentation of Large-Scale Point Clouds with Random Sampling [52.464516118826765]
  我々はRandLA-Netを紹介した。RandLA-Netは、大規模ポイントクラウドのポイントごとの意味を推論する、効率的で軽量なニューラルネットワークアーキテクチャである。 我々のアプローチの鍵は、より複雑な点選択アプローチではなく、ランダムな点サンプリングを使用することである。 我々のRandLA-Netは、既存のアプローチよりも最大200倍高速な1回のパスで100万ポイントを処理できます。
  論文  参考訳（メタデータ） (2021-07-06T05:08:34Z)
• Learning Gradient Fields for Shape Generation [69.85355757242075]
  点雲は、その形状の表面に密度が集中している3D点の分布からサンプルと見なすことができる。 非正規化確率密度の勾配上昇を行うことで点雲を生成する。 本モデルは,ログ密度場の勾配を直接予測し,スコアベース生成モデルに適応した単純な目的で学習することができる。
  論文  参考訳（メタデータ） (2020-08-14T18:06:15Z)
• Learning to Segment 3D Point Clouds in 2D Image Space [20.119802932358333]
  2次元画像空間に3次元点雲を効率よく投影する方法を示す。 U-Netのような従来の2D畳み込みニューラルネットワーク(CNN)はセグメンテーションに適用できる。
  論文  参考訳（メタデータ） (2020-03-12T03:18:59Z)
• PUGeo-Net: A Geometry-centric Network for 3D Point Cloud Upsampling [103.09504572409449]
  PUGeo-Netと呼ばれる新しいディープニューラルネットワークを用いた一様高密度点雲を生成する手法を提案する。 その幾何学中心の性質のおかげで、PUGeo-Netはシャープな特徴を持つCADモデルとリッチな幾何学的詳細を持つスキャンされたモデルの両方でうまく機能する。
  論文  参考訳（メタデータ） (2020-02-24T14:13:29Z)

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。