論文の概要: Point Cloud Upsampling through Patch-based Frequency Superposition

• arxiv url: http://arxiv.org/abs/2606.14355v1
• Date: Fri, 12 Jun 2026 11:27:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-15 16:00:42.876888
• Title: Point Cloud Upsampling through Patch-based Frequency Superposition
• Title（参考訳）: パッチに基づく周波数重畳による点雲アップサンプリング
• Authors: Marina Ritthaler, Azhar Hussian, Vasileios Belagiannis, André Kaup,
• Abstract要約: 我々は、Patch-based Frequency Superposition (PUtPFS)によるポイントクラウドアップサンプリングを提案する。 我々は、一般に考慮される点間距離において、現在の最高のアップサンプリング結果を上回っている。 さらなる利点として,本手法ではトレーニングデータも必要とせず,数学的に解釈可能である。
• 参考スコア（独自算出の注目度）: 28.51111084845334
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, neural networks have become the dominant models in most point cloud upsampling methods. Although these approaches are achieving good results, they do have drawbacks, such as a lack of interpretability and data dependency. Moreover, they have to be trained on a dataset that is similar to the test data in order to perform well. To avoid these disadvantages, we propose Point Cloud Upsampling through Patch-based Frequency Superposition (PUtPFS), an optimization-based approach that selects subsets of points and estimates the surface of this set through superpositioning spatial frequencies. Then, new points are placed on this surface. By successively selecting points in the least dense regions of the point cloud, a uniform upsampling can be reached. With this method, we surpass the current best upsampling results in the commonly considered point-to-surface distance. Furthermore, we achieve the best Chamfer and Hausdorff distance among the optimization-based approaches. As an additional advantage, our method does not need any training data and is mathematically interpretable.
• Abstract（参考訳）: 近年、ニューラルネットワークは、ほとんどの点で雲のアップサンプリング手法において支配的なモデルとなっている。 これらのアプローチは良い結果を得ているが、解釈可能性の欠如やデータ依存といった欠点がある。 さらに、正常に機能するためには、テストデータに似たデータセットでトレーニングする必要がある。 これらの欠点を回避するために,Patch-based Frequency Superposition (PUtPFS) を用いたポイントクラウドアップサンプリングを提案する。 そして、この表面に新しい点を置く。 点雲の最も密度の低い領域における点を連続的に選択することにより、一様アップサンプリングに到達することができる。 この手法により, 一般に検討されている点間距離において, 現在の最高のアップサンプリング結果を上回った。 さらに、最適化に基づくアプローチの中で、最高のChamfer と Hausdorff の距離を達成する。 さらなる利点として,本手法ではトレーニングデータも必要とせず,数学的に解釈可能である。

関連論文リスト

• Inferring Neural Signed Distance Functions by Overfitting on Single Noisy Point Clouds through Finetuning Data-Driven based Priors [53.6277160912059]
  本稿では,データ駆動型およびオーバーフィット型手法のプロースを推進し,より一般化し,高速な推論を行い,より高精度なニューラルネットワークSDFを学習する手法を提案する。 そこで本研究では,距離管理やクリーンポイントクラウド,あるいは点正規化を伴わずに,データ駆動型プリエントを微調整できる新しい統計的推論アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-25T16:48:44Z)
• Arbitrary-Scale Point Cloud Upsampling by Voxel-Based Network with Latent Geometric-Consistent Learning [52.825441454264585]
  Voxel-based Network (textbfPU-VoxelNet) を用いた任意のスケールのクラウド・アップサンプリング・フレームワークを提案する。 ボクセル表現から継承された完全性と規則性により、ボクセルベースのネットワークは3次元表面を近似する事前定義されたグリッド空間を提供することができる。 密度誘導グリッド再サンプリング法を開発し、高忠実度点を生成するとともに、サンプリング出力を効果的に回避する。
  論文  参考訳（メタデータ） (2024-03-08T07:31:14Z)
• 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)
• PU-Ray: Domain-Independent Point Cloud Upsampling via Ray Marching on Neural Implicit Surface [5.78575346449322]
  我々は任意のレートで新しいレイベースのアップサンプリング手法を提案し、各クエリ線とその対応するパッチに対して深さ予測を行う。 非符号距離関数 (UDF) で定義された神経暗示面上の球面追跡線マーチングアルゴリズムをシミュレーションした。 ルールベースの中間点問合せサンプリング手法は, 最寄りの近傍の復元損失関数を用いて訓練されたエンドツーエンドモデルを必要としない, より均等な分散点を生成する。
  論文  参考訳（メタデータ） (2023-10-12T22:45:03Z)
• Grad-PU: Arbitrary-Scale Point Cloud Upsampling via Gradient Descent with Learned Distance Functions [77.32043242988738]
  我々は、任意のアップサンプリングレートをサポートする、正確なポイントクラウドアップサンプリングのための新しいフレームワークを提案する。 提案手法は,まず,所定のアップサンプリング率に応じて低解像度の雲を補間する。
  論文  参考訳（メタデータ） (2023-04-24T06:36:35Z)
• Self-Supervised Arbitrary-Scale Point Clouds Upsampling via Implicit Neural Representation [79.60988242843437]
  そこで本研究では,自己監督型および倍率フレキシブルな点雲を同時にアップサンプリングする手法を提案する。 実験結果から, 自己教師あり学習に基づく手法は, 教師あり学習に基づく手法よりも, 競争力や性能が向上することが示された。
  論文  参考訳（メタデータ） (2022-04-18T07:18:25Z)
• SPU-Net: Self-Supervised Point Cloud Upsampling by Coarse-to-Fine Reconstruction with Self-Projection Optimization [52.20602782690776]
  実際のスキャンされたスパースデータからトレーニング用の大規模なペアリングスパーススキャンポイントセットを得るのは高価で面倒です。 本研究では,SPU-Net と呼ばれる自己監視型点群アップサンプリングネットワークを提案する。 本研究では,合成データと実データの両方について様々な実験を行い,最先端の教師付き手法と同等の性能が得られることを示す。
  論文  参考訳（メタデータ） (2020-12-08T14:14:09Z)

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。