論文の概要: Learning Manifolds in High-D Point Embedding for Anisotropic Surface Approximation from Unstructured Point Clouds
- arxiv url: http://arxiv.org/abs/2607.28855v1
- Date: Thu, 30 Jul 2026 21:40:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-03 14:29:40.491096
- Title: Learning Manifolds in High-D Point Embedding for Anisotropic Surface Approximation from Unstructured Point Clouds
- Title（参考訳）: 非構造点雲からの異方性表面近似のための高次元点埋め込みにおける学習多様体
- Authors: Hongbo Li, Haikuan Zhu, Xiaohu Guo, Wenping Wang, Jing Hua, Zichun Zhong,
- Abstract要約: HD-PEAは、非構造化点雲上で直接動作する学習ベースの異方性表面近似フレームワークである。
本研究では,新しい学習に基づく高次元ユークリッド点埋め込み法を開発し,入力点雲を高次元多様体埋め込み空間にマッピングする。
いくつかのデータセットを用いて,最先端表面再構成手法に対する提案手法を広範囲に評価した。
- 参考スコア（独自算出の注目度）: 33.49331958850171
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Dense 3D sensors in various real-world fields produce point clouds that are geometrically redundant for real-time processing. In this paper, we propose an efficient and scalable learning-based anisotropic surface approximation framework, HD-PEA, that operates directly on unstructured point clouds, integrating anisotropic optimization into reconstruction to produce compact, geometry-aligned surface representations with higher fidelity, fewer elements, and improved numerical stability compared to isotropic and adaptive meshes. Firstly, we develop a novel learning-based high-dimensional (high-d) Euclidean point embedding method to map the input point clouds into a high-d manifold embedding space. For handling large-scale point clouds without retraining and fine-tuning, a patch-based meta-embedding scheme is designed during the inference stage. Then, we develop a new tangent subspace estimation for the high-d embedding manifold approximation and anisotropic manifold reconstruction in high-d space. The main contribution of this work is to propose a scalable deep learning framework and a variety of datasets for constructing a high-d Euclidean point embedding space aimed to 3D anisotropic surface mesh approximation and Riemannian curvature tensor estimation from point clouds. We extensively evaluate our method against state-of-the-art surface reconstruction approaches using several datasets, such as Thingi10K dataset, AIM@SHAPE and Stanford 3D Scanning Repository, ScanNet dataset, and further demonstrate its generalization and usability on diverse unseen shapes and applications from these datasets.
- Abstract（参考訳）: 様々な現実世界のフィールドにおける高密度3Dセンサーは、リアルタイム処理に幾何学的に冗長な点雲を生成する。
本稿では,非構造点の雲を直接操作し,異方性最適化を再構成に統合し,高忠実度,少ない要素,等方性および適応性メッシュに比べて数値安定性の向上を図った,効率的でスケーラブルな学習ベースの異方性表面近似フレームワークHD-PEAを提案する。
まず,新しい学習に基づく高次元ユークリッド点埋め込み法を開発し,入力点雲を高次元多様体埋め込み空間にマッピングする。
大規模な点群をリトレーニングや微調整をせずに処理するために、パッチベースのメタ埋め込みスキームを推論段階で設計する。
そこで我々は,高次元埋め込み多様体近似と高次元空間における異方性多様体再構成のための新しい接部分空間推定法を開発した。
この研究の主な貢献は、スケーラブルなディープラーニングフレームワークと3次元異方性表面メッシュ近似と点雲からのリーマン曲率テンソル推定を目的とした高次元ユークリッド点埋め込み空間を構築するための様々なデータセットを提案することである。
我々は、Thingi10Kデータセット、AIM@SHAPE、Stanford 3D Scanning Repository、ScanNetデータセットといったいくつかのデータセットを用いて、最先端のサーフェス再構築アプローチに対して、我々の手法を広範囲に評価し、これらのデータセットから、その一般化とユーザビリティを示す。
関連論文リスト
- SoPE: Spherical Coordinate-Based Positional Embedding for Enhancing Spatial Perception of 3D LVLMs [21.891285551179365]
Spherical Coordinate-based Positional Embedding (SoPE)を紹介する。
本手法は,3次元球面座標空間に点-クラウドトークンのインデックスをマッピングし,空間位置と方向角の統一モデリングを可能にする。
この定式化は、点クラウドデータの固有の幾何学的構造を保持し、空間的認識を高め、マルチモーダル学習のためのより一貫性があり表現力のある幾何学的表現をもたらす。
論文 参考訳（メタデータ） (2026-02-26T07:42:15Z) - Manifold-Aware Point Cloud Completion via Geodesic-Attentive Hierarchical Feature Learning [3.214168764374659]
特徴学習パイプライン全体を通して非線形幾何学情報を明示的に組み込んだ,多様体対応のクラウド補完フレームワークを提案する。
我々の手法は、復元品質における最先端の手法を一貫して上回っている。
論文 参考訳（メタデータ） (2025-12-05T13:38:35Z) - Adaptive Point-Prompt Tuning: Fine-Tuning Heterogeneous Foundation Models for 3D Point Cloud Analysis [51.37795317716487]
本稿では,パラメータの少ない事前学習モデルを微調整するAdaptive Point-Prompt Tuning (APPT)法を提案する。
局所幾何学を集約することで原点雲を点埋め込みに変換し、空間的特徴を捉える。
任意のモダリティのソース領域から3Dへの自己アテンションを校正するために,重みを点埋め込みモジュールと共有するプロンプトジェネレータを導入する。
論文 参考訳（メタデータ） (2025-08-30T06:02:21Z) - Learning Bijective Surface Parameterization for Inferring Signed Distance Functions from Sparse Point Clouds with Grid Deformation [50.26314343851213]
疎点雲から符号付き距離関数(SDF)を推定することは、表面再構成の課題である。
本稿では,SDFをエンドツーエンドに予測するために動的変形ネットワークを学習する新しい手法を提案する。
合成および実スキャンデータを用いた実験結果から,本手法は最先端の手法よりも優れていることが示された。
論文 参考訳（メタデータ） (2025-03-31T02:27:02Z) - NASM: Neural Anisotropic Surface Meshing [38.8654207201197]
本稿では、異方性表面メッシュのための学習に基づく新しい手法NASMを提案する。
鍵となるアイデアは、入力メッシュを高次元ユークリッド埋め込み空間に埋め込み、曲率ベースの異方性計量を保存することである。
そこで,本研究では,新たに生成した高次元埋め込みにおける特徴感リメッシングを提案し,鮮明な幾何学的特徴を自動キャプチャする。
論文 参考訳（メタデータ） (2024-10-30T15:20:10Z) - AniSDF: Fused-Granularity Neural Surfaces with Anisotropic Encoding for High-Fidelity 3D Reconstruction [55.69271635843385]
AniSDF(AniSDF)は,高忠実度3次元再構成のための物理に基づく符号化による融合粒度ニューラルサーフェスを学習する新しいアプローチである。
本手法は, 幾何再構成と新規ビュー合成の両面において, SDF法の品質を飛躍的に向上させる。
論文 参考訳（メタデータ） (2024-10-02T03:10:38Z) - Flatten Anything: Unsupervised Neural Surface Parameterization [76.4422287292541]
本研究では,FAM(Flatten Anything Model)を導入し,グローバルな自由境界面パラメータ化を実現する。
従来の手法と比較して,FAMは接続情報を活用することなく,個別の面上で直接動作する。
当社のFAMは前処理を必要とせずに完全に自動化されており,高度に複雑なトポロジを扱うことができる。
論文 参考訳（メタデータ） (2024-05-23T14:39:52Z) - ParaPoint: Learning Global Free-Boundary Surface Parameterization of 3D Point Clouds [52.03819676074455]
ParaPointは、グローバルな自由境界面パラメータ化を実現するための教師なしのニューラルネットワークパイプラインである。
この研究は、グローバルマッピングと自由境界の両方を追求するニューラルポイントクラウドパラメータ化を調査する最初の試みである。
論文 参考訳（メタデータ） (2024-03-15T14:35:05Z) - HSurf-Net: Normal Estimation for 3D Point Clouds by Learning Hyper
Surfaces [54.77683371400133]
本稿では,ノイズと密度の変動のある点群から正規性を正確に予測できるHSurf-Netという新しい正規推定手法を提案する。
実験結果から, HSurf-Netは, 合成形状データセット上での最先端性能を実現することがわかった。
論文 参考訳（メタデータ） (2022-10-13T16:39:53Z) - Reconstructing Compact Building Models from Point Clouds Using Deep
Implicit Fields [4.683612295430956]
我々は点雲からコンパクトで水密な多角形建築モデルを再構築するための新しい枠組みを提案する。
合成および実世界の点雲の両方の実験により、我々の神経誘導戦略により、高品質な建築モデルは、忠実性、コンパクト性、計算効率において大きな利点をもって得られることが実証された。
論文 参考訳（メタデータ） (2021-12-24T21:32:32Z)
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。