論文の概要: Bayesian methods and Markov chain Monte Carlo algorithms for curve reconstruction and point cloud data analysis

• arxiv url: http://arxiv.org/abs/2608.26490v1
• Date: Thu, 27 Aug 2026 00:26:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-28 16:30:58.206437
• Title: Bayesian methods and Markov chain Monte Carlo algorithms for curve reconstruction and point cloud data analysis
• Title（参考訳）: 曲線再構成と点雲データ解析のためのベイズ法とマルコフ連鎖モンテカルロアルゴリズム
• Authors: Asir Intesar Tushar, Ioannis Sgouralis,
• Abstract要約: 我々は,ポイントクラウドデータを表現し,閉曲線を再構築するための完全なベイズ的フレームワークを提案する。 本フレームワークにおける後方推定は, 点雲特性に合わせた一連のマルコフ連鎖モンテカルロサンプリングを用いて行う。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Point-cloud data routinely captured by modern imaging and sensor technologies provide detailed geometric descriptions of objects and environments, but their analysis is hindered by large data volumes, localization noise, and missing information. In addition, existing point-cloud reconstruction pipelines typically return a single best-fit structure without uncertainty quantification. We introduce a fully Bayesian framework for representing point-cloud data and reconstructing closed curves, in which observed points are modeled as noisy perturbations of latent locations constrained to lie on the underlying curve that is regularized by a non-parametric prior. Posterior inference in our framework is carried out using a series of Markov chain Monte Carlo samplers tailored to point-cloud characteristics. Numerical experiments, including synthetic examples and real-world LiDAR datasets, show accurate reconstructions and quantified uncertainty over the recovered curves.
• Abstract（参考訳）: 現代の画像とセンサー技術によって日常的に捉えられるポイントクラウドデータは、オブジェクトや環境の詳細な幾何学的記述を提供するが、その分析は大量のデータ量、局所化ノイズ、不足した情報によって妨げられる。 さらに、既存のポイントクラウド再構築パイプラインは、不確実な定量化なしに、単一のベストフィット構造を返すのが一般的である。 観測点を非パラメトリック先行法により正規化される基礎となる曲線上に存在するように制約された潜伏位置のノイズ摂動としてモデル化した,点-クラウドデータの表現と閉曲線の再構成のための完全なベイズ的枠組みを提案する。 本フレームワークにおける後方推定は, 点雲特性に合わせた一連のマルコフ連鎖モンテカルロサンプリングを用いて行う。 合成例や実世界のLiDARデータセットを含む数値実験は、正確な再構成と、回収された曲線に対する定量的不確実性を示す。

関連論文リスト

• Learning Point Cloud Geometry as a Statistical Manifold: Theory and Practice [11.695017334165287]
  LiDARが取得した点雲は本質的にスパースであり、一様ではない。 既存のアプローチは、局所幾何学を推定することによってこれらの制限を補償しようとする。 本稿では,点ごとのガウス幾何学を推定する深部神経推定器であるPOLIを紹介する。
  論文  参考訳（メタデータ） (2026-05-11T12:27:25Z)
• A Mean Curvature Approach to Boundary Detection: Geometric Insights for Unsupervised Learning [52.452902154360565]
  本稿では,幾何学的機械学習に基づく新しい幾何学的フレームワークであるMean Curvature Boundary Points (MCBP)を紹介する。 MCBPはデータ多様体の固有曲率を明示的にモデル化し、原理化された多様体のパラメトリゼーションを必要としない点平均曲率を計算する。 合成および実世界のデータセットの実験により、MCBPはクラスタリング性能を一貫して改善することを示した。
  論文  参考訳（メタデータ） (2026-05-05T20:19:09Z)
• Bayesian Uncertainty-Aware MRI Reconstruction [5.452868777437004]
  アンダーサンプリングk空間計測を用いた関節磁気共鳴画像再構成のための新しい枠組みを提案する。 提案手法は, 再構成画像から得られた誤差マップと強い相関関係を示すとともに, 不確かさを効果的に定量化する。
  論文  参考訳（メタデータ） (2026-03-13T11:14:53Z)
• Riemannian AmbientFlow: Towards Simultaneous Manifold Learning and Generative Modeling from Corrupted Data [4.681760167323748]
  本稿では,確率的生成モデルと基礎となる非線形データ多様体を,崩壊した観測から直接学習するためのフレームワークを提案する。 我々は、適切な幾何正規化と測定条件の下で、学習されたモデルは、基礎となるデータ分布を制御可能な誤差まで回復し、滑らかなバイリプシッツ多様体のパラメトリゼーションをもたらすことを示す理論的保証を確立する。
  論文  参考訳（メタデータ） (2026-01-26T17:51:52Z)
• Graph-based Point Cloud Surface Reconstruction using B-Splines [0.0]
  実世界の点雲は、様々な技術的・環境的要因により本質的にうるさい。 既存のデータ駆動表面再構成アルゴリズムは、中間ステップとして、地上の真理正規度や近似正規度に大きく依存している。 辞書型グラフ畳み込みネットワークに基づく表面再構成戦略を開発した。
  論文  参考訳（メタデータ） (2025-09-19T14:59:51Z)
• 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)
• Latent Manifold Reconstruction and Representation with Topological and Geometrical Regularization [1.8335627278682702]
  本稿では,雑音の多い点群から潜在多様体構造を発見できる,多様体再構成層を統合するAutoEncoderに基づく手法を提案する。 ポイントクラウドデータセットの実験では、この手法がt-SNE、UMAP、トポロジカルオートエンコーダといったベースラインより優れていることが示された。
  論文  参考訳（メタデータ） (2025-05-07T13:47:22Z)
• Last-Iterate Convergence of Adaptive Riemannian Gradient Descent for Equilibrium Computation [52.73824786627612]
  本稿では,テクスト幾何学的強単調ゲームに対する新たな収束結果を確立する。 我々のキーとなる結果は、RGDがテクスト幾何学的手法で最終定位線形収束を実現することを示しています。 全体として、ユークリッド設定を超えるゲームに対して、幾何学的に非依存な最終点収束解析を初めて提示する。
  論文  参考訳（メタデータ） (2023-06-29T01:20:44Z)
• Graph Signal Sampling for Inductive One-Bit Matrix Completion: a Closed-form Solution [112.3443939502313]
  グラフ信号解析と処理の利点を享受する統合グラフ信号サンプリングフレームワークを提案する。 キーとなる考え方は、各ユーザのアイテムのレーティングをアイテムイットグラフの頂点上の関数(信号)に変換することである。 オンライン設定では、グラフフーリエ領域における連続ランダムガウス雑音を考慮したベイズ拡張(BGS-IMC)を開発する。
  論文  参考訳（メタデータ） (2023-02-08T08:17:43Z)
• PointCaM: Cut-and-Mix for Open-Set Point Cloud Learning [72.07350827773442]
  我々は,新しいポイントカット・アンド・ミクス機構を用いて,オープンセットのクラウド学習を解決することを提案する。 トレーニング段階では,Unknown-Point Simulatorを用いてアウト・オブ・ディストリビューションデータをシミュレートする。 Unknown-Point Estimatorモジュールは、既知のデータを識別するために、ポイントクラウドの機能コンテキストを活用することを学ぶ。
  論文  参考訳（メタデータ） (2022-12-05T03:53:51Z)

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。