論文の概要: Super-Resolution of Airborne Laser Scanning Point Clouds for Forest Inventory

• arxiv url: http://arxiv.org/abs/2605.02201v2
• Date: Fri, 08 May 2026 05:42:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 16:31:22.721864
• Title: Super-Resolution of Airborne Laser Scanning Point Clouds for Forest Inventory
• Title（参考訳）: 森林施設における空中レーザー走査点雲の高分解能化
• Authors: Jinyuan Shao, Sangyoong Park, Chunxi Zhao, Ayman Habib, Songlin Fei,
• Abstract要約: 空中レーザー走査(ALS)は、広い地域にわたって点雲を収集することができ、大規模な森林在庫の収集を可能にしている。 ALS点雲は希少で騒々しく、個々の樹木レベルの森林在庫が不正確な結果となる。 本研究では3次元森林超解法(DFSR)という深層学習モデルを提案する。
• 参考スコア（独自算出の注目度）: 1.8117028028306315
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Airborne Laser Scanning (ALS) can collect point clouds across large areas, enabling large-scale forest inventory. However, ALS point clouds are sparse and noisy, resulting in inaccurate individual-tree-level forest inventory, such as stem localization and tree size estimation. To overcome this problem, we propose a deep learning model, 3D Forest Super Resolution (3DFSR), to simultaneously improve point density and reduce noise for ALS forest point cloud. 3DFSR is a voxel-based CNN with a U-Net architecture. The proposed 3DFSR is evaluated on ALS point clouds collected in both temperate forests in the U.S. and boreal forests in Germany. Experimental results demonstrate that 3DFSR can generate finer point clouds of tree structure than other state-of-the-art point cloud super-resolution algorithms, achieving 0.249 m Chamfer Distance and 2.711 m Hausdorff Distance. Furthermore, to verify the effectiveness of 3DFSR point clouds in forest inventory, we conduct stem detection, DBH measurements, and stem reconstruction on both original ALS point clouds and 3DFSR enhanced point clouds. We find that stem detection and reconstruction algorithms developed for TLS/MLS point clouds can directly work on our 3DFSR point clouds, and DBH can be derived with circle-fitting method. F1 score of stem detection is improved from 0.71 on original ALS point clouds to 0.97 on 3DFSR point clouds; DBH estimation improves from 13.45 cm RMSE using allometric equations to 6.43 cm using circle fitting; comparing to stems reconstruction from MLS point clouds, stem reconstructed from 3DFSR point clouds has 0.170 m of Chamfer Distance and 0.377 m of Hausdorff Distance, and 0.95 R2 volume estimation. Finally, we find that the proposed 3DFSR is applicable to process point densities from 10 to 1700 points/m2; it also can be generalized across data collected from different LiDAR platforms without transfer learning.
• Abstract（参考訳）: 空中レーザー走査(ALS)は、広い地域にわたって点雲を収集することができ、大規模な森林在庫の収集を可能にしている。 しかし、ALS点雲は希少でうるさいため、茎の局在や樹の大きさ推定など、個々の樹木レベルの森林在庫が不正確な結果となる。 この問題を解決するために,ALS森林点雲の点密度を同時に改善しノイズを低減する3Dフォレスト・スーパーレゾリューション(DFSR)というディープラーニングモデルを提案する。 3DFSRは、U-Netアーキテクチャを備えたボクセルベースのCNNである。 提案した3DFSRは、米国の温帯林とドイツのボレアル林の両方で収集されたALS点雲で評価される。 実験により、3DFSRは他の最先端の雲よりも微細な木構造の雲を生成でき、0.249mのチャンファー距離と2.711mのハウスドルフ距離を達成できることが示された。 さらに,森林在庫における3DFSR点群の有効性を検証するため,元のALS点群と3DFSR強調点群の両方において,茎検出,DBH測定,茎復元を行う。 我々は,TLS/MLS点雲向けに開発されたステム検出と再構成アルゴリズムが,我々の3DFSR点雲に直接作用し,DBHを円周法で導出できることを見出した。 元のALS点雲のF1スコアは0.71点から3DFSR点雲の0.97点に改善され、DBH推定はアロメトリー式を用いて13.45cm RMSEから6.43cmに改善され、3DFSR点雲から復元された茎は0.170mのシャンファー距離と0.377mのハウスドルフ距離を持つ。 最後に,提案した3DFSRは,10点から1700点/m2のプロセス点密度に適用可能であること,また,転送学習なしで異なるLiDARプラットフォームから収集したデータ間で一般化可能であること,等が明らかになった。

関連論文リスト

• Taming Anomalies with Down-Up Sampling Networks: Group Center Preserving Reconstruction for 3D Anomaly Detection [59.822737536103155]
  グループ中心幾何構造を保存して3次元異常検出のための高精度点雲を再構成するために,ダウンアップサンプリングネットワーク(DUS-Net)を提案する。 提案手法は、オブジェクトレベルのAUROCの79.9%と79.5%、Real3D-ADおよびAnomaly-ShapeNetデータセットの71.2%と84.7%のポイントレベルのAUROCを用いて、最先端(SOTA)性能を実現する。
  論文  参考訳（メタデータ） (2025-07-05T05:05:36Z)
• Efficient 3D Perception on Multi-Sweep Point Cloud with Gumbel Spatial Pruning [31.70820822331813]
  既存の方法は、屋外の点雲の希少な性質のため、距離や隠蔽された物体を認識する際の限界に直面している。 本研究では,時間的に連続する複数の雲を蓄積することにより,この問題の顕著な緩和を観察する。 本稿では,学習したエンドツーエンドのサンプリングに基づいて動的に点をプーンする,シンプルで効果的なグンベル空間プレーニング層を提案する。
  論文  参考訳（メタデータ） (2024-11-12T12:07:27Z)
• NeRF-Accelerated Ecological Monitoring in Mixed-Evergreen Redwood Forest [0.0]
  混合常緑樹林における幹径推定を目的としたMLSとNeRF林の復元の比較を行った。 凸ハルモデルを用いた改良DBH推定法を提案する。
  論文  参考訳（メタデータ） (2024-10-09T20:32:15Z)
• 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)
• Reconstructing Surfaces for Sparse Point Clouds with On-Surface Priors [52.25114448281418]
  現在の方法では、接地距離や点正規化なしに単一点雲から符号付き距離関数 (Signed Distance Function, SDF) を学習することで、表面を再構築することができる。 そこで本稿では, 表面上の粗い点雲から高精度な表面を復元することを提案する。 本手法は, 接地距離や点正規化を伴わずに, 単一のスパース点雲からSDFを学習することができる。
  論文  参考訳（メタデータ） (2022-04-22T09:45:20Z)
• A Conditional Point Diffusion-Refinement Paradigm for 3D Point Cloud Completion [69.32451612060214]
  実スキャンされた3Dポイントクラウドはしばしば不完全であり、下流アプリケーションのために完全なポイントクラウドを復元することが重要である。 ほとんどの既存のポイントクラウド補完方法は、トレーニングにチャンファー距離(CD)損失を使用する。 本稿では,点雲完了のためのPDR(Point Diffusion-Refinement)パラダイムを提案する。
  論文  参考訳（メタデータ） (2021-12-07T06:59:06Z)
• Deep Point Cloud Reconstruction [74.694733918351]
  3Dスキャンから得られる点雲は、しばしばスパース、ノイズ、不規則である。 これらの問題に対処するため、最近の研究は別々に行われ、不正確な点雲を密度化、復調し、完全な不正確な点雲を観測している。 本研究では,1) 初期密度化とデノナイズのための3次元スパース集積時間ガラスネットワーク,2) 離散ボクセルを3Dポイントに変換するトランスフォーマーによる改良,の2段階からなる深部点雲再構成ネットワークを提案する。
  論文  参考訳（メタデータ） (2021-11-23T07:53:28Z)
• Pseudo-LiDAR Point Cloud Interpolation Based on 3D Motion Representation and Spatial Supervision [68.35777836993212]
  我々はPseudo-LiDAR点雲ネットワークを提案し、時間的および空間的に高品質な点雲列を生成する。 点雲間のシーンフローを活用することにより,提案ネットワークは3次元空間運動関係のより正確な表現を学習することができる。
  論文  参考訳（メタデータ） (2020-06-20T03:11:04Z)

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。