論文の概要: PQDT: Pseudo-Query Dual Transformer for Robust Point Cloud Restoration

• arxiv url: http://arxiv.org/abs/2605.25127v1
• Date: Sun, 24 May 2026 15:15:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:18.845541
• Title: PQDT: Pseudo-Query Dual Transformer for Robust Point Cloud Restoration
• Title（参考訳）: PQDT:ロバストポイントクラウド復元のための擬似クエリデュアルトランス
• Authors: Haoqing Wu, Alexa Nawotki, Jochen Garcke,
• Abstract要約: 実世界の点雲は、不完全性、ノイズ、外れ値、不規則密度などの劣化に悩まされることが多い。 本稿では, 点雲を直接入力とし, 多様な劣化シナリオ下で高品質な幾何を適応的に再構成する3次元復元ネットワークを提案する。
• 参考スコア（独自算出の注目度）: 2.6189995284654737
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Point clouds are a fundamental 3D representation in computer vision, enabling a wide range of perception tasks. However, real-world point clouds often suffer from degradations such as incompleteness, noise, outliers, and irregular density, caused by sensor limitations or occlusions. Recovering clean and detailed shapes from such degraded data is crucial for downstream applications. While existing learning-based methods achieve progress on individual tasks like completion or denoising, they typically rely on global bottleneck features, which lose fine-grained geometry and remain sensitive to varying input quality. We propose a unified 3D restoration network that directly takes point clouds as input and adaptively reconstructs high-quality geometry under diverse degradation scenarios. At the core of our approach is a Pseudo-Query module, implemented within a Transformer backbone, which reformulates geometric translation into two cooperative stages to enhance structural clarity, robustness, and local detail preservation. Extensive experiments on curated benchmarks demonstrate that our approach surpasses state-of-the-art performance in general 3D restoration. It effectively handles complex combinations of completion, deformation, and denoising degradations. With this work, we provide a novel unified, point-only backbone for robust 3D restoration, enabling more versatile 3D perception.
• Abstract（参考訳）: ポイントクラウドはコンピュータビジョンにおける基本的な3D表現であり、幅広い知覚タスクを可能にする。 しかし、現実の点雲は、センサーの制限や閉塞によって生じる不完全性、ノイズ、外れ値、不規則密度などの劣化に悩まされることが多い。 このような劣化したデータからクリーンで詳細な形状を復元することは、下流のアプリケーションにとって非常に重要です。 既存の学習ベースの手法は、完了や妄想のような個々のタスクで進歩するが、通常はグローバルなボトルネック機能に依存しており、粒度の細かい幾何学をなくし、入力品質の変化に敏感なままである。 本稿では, 点雲を直接入力とし, 多様な劣化シナリオ下で高品質な幾何を適応的に再構成する3次元復元ネットワークを提案する。 提案手法のコアとなるPseudo-QueryモジュールはTransformerのバックボーン内に実装され、幾何学的翻訳を2つの協調段階に再構成し、構造的明瞭度、堅牢性、局所的な詳細保存を強化する。 キュレートされたベンチマークの大規模な実験は、我々のアプローチが一般的な3D復元における最先端性能を上回ることを示した。 完了、変形、劣化の複雑な組み合わせを効果的に扱う。 本研究により、より汎用的な3D知覚を実現するために、ロバストな3D復元のための新しい統一されたポイントオンリーのバックボーンを提供する。

関連論文リスト

• CMHANet: A Cross-Modal Hybrid Attention Network for Point Cloud Registration [26.457061044468915]
  本稿では,クロスモーダルハイブリッドアテンションネットワークであるCMHANetを提案する。 本手法は2次元画像からのリッチな文脈情報の融合と3次元点雲の幾何学的詳細を融合する。 提案手法は,登録精度と総合ロバスト性の両方を大幅に向上し,現在の技術より優れていることを示す。
  論文  参考訳（メタデータ） (2026-03-13T07:09:22Z)
• Rendering-Oriented 3D Point Cloud Attribute Compression using Sparse Tensor-based Transformer [52.40992954884257]
  3D視覚化技術は、私たちがデジタルコンテンツと対話する方法を根本的に変えてきた。 ポイントクラウドの大規模データサイズは、データ圧縮において大きな課題を呈している。 そこで我々はPCACと差別化可能なレンダリングをシームレスに統合するエンドツーエンドのディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-12T16:12:51Z)
• 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)
• PoinTr: Diverse Point Cloud Completion with Geometry-Aware Transformers [81.71904691925428]
  本稿では,ポイントクラウドの完了をセット・ツー・セットの翻訳問題として再定義する手法を提案する。 我々はまた、ポイントクラウド補完のためにトランスフォーマーエンコーダデコーダアーキテクチャを採用するPoinTrと呼ばれる新しいモデルも設計している。 提案手法は,新しいベンチマークと既存ベンチマークの両方において,最先端の手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2021-08-19T17:58:56Z)
• Point Discriminative Learning for Unsupervised Representation Learning on 3D Point Clouds [54.31515001741987]
  3次元点雲上での教師なし表現学習のための点識別学習法を提案する。 我々は、中間レベルとグローバルレベルの特徴に新しい点識別損失を課すことにより、これを達成した。 提案手法は強力な表現を学習し,新しい最先端性能を実現する。
  論文  参考訳（メタデータ） (2021-08-04T15:11:48Z)
• HyperPocket: Generative Point Cloud Completion [19.895219420937938]
  遅延表現をアンタングルするHyperPocketという,新しいオートエンコーダベースのアーキテクチャを導入する。 ハイパーネットワークのパラダイムを活用して、欠落したオブジェクト部分によって残された、ポケットと呼ばれる空間を埋めます。 我々の手法は、他の最先端モデルと競合する性能を提供する。
  論文  参考訳（メタデータ） (2021-02-11T12:30:03Z)
• RfD-Net: Point Scene Understanding by Semantic Instance Reconstruction [19.535169371240073]
  本稿では,高密度物体表面を直接点雲から検出・再構成するRfD-Netを提案する。 インスタンス再構成を大域的オブジェクトローカライゼーションと局所形状予測に分離する。 我々のアプローチは、オブジェクト再構成において、最先端の技術を一貫して上回り、メッシュIoUの11以上を改善します。
  論文  参考訳（メタデータ） (2020-11-30T12:58:05Z)
• GRNet: Gridding Residual Network for Dense Point Cloud Completion [54.43648460932248]
  完全な3Dポイントクラウドを不完全なクラウドから推定することは、多くのビジョンやロボティクスアプリケーションにおいて重要な問題である。 本稿では,ポイントクラウド補完のための新しいGridding Residual Network(GRNet)を提案する。 実験結果から,提案したGRNetはShapeNet,Completion3D,KITTIベンチマークの最先端手法に対して良好に動作することがわかった。
  論文  参考訳（メタデータ） (2020-06-06T02:46:39Z)

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。