論文の概要: Denoising-Aware Temporal Point Cloud Completion for 3D Crop Architecture Recovery and Phenotypic Trait Extraction
- arxiv url: http://arxiv.org/abs/2608.28343v1
- Date: Fri, 28 Aug 2026 13:57:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-31 17:16:04.344524
- Title: Denoising-Aware Temporal Point Cloud Completion for 3D Crop Architecture Recovery and Phenotypic Trait Extraction
- Title（参考訳）: 3次元作物アーキテクチャの復元と現象型トランジット抽出のためのデノジング対応時間点クラウドコンプリート
- Abstract要約: 本稿では,時間的に進化する植物点雲の合成データセットであるSynthCrop4Dを紹介する。
空間デノケーションと時間点雲の完備化を組み合わせた2段階パイプラインの評価を行った。
SynthCrop4D(Temporal PoinTr + Mamba-DG)とPheno4D(Vanilla PoinTr + Mamba-DG)のFスコア0.2080(Vanilla PoinTr + Mamba-DG)のチャムファー距離0.0061の最適構成により、デノベーションが大幅に向上することを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: High-throughput phenotyping depends on accurate 3D reconstruction of plants across growth stages, yet the development and evaluation of temporal completion methods are limited by the lack of datasets with complete geometric ground truth. To address this challenge, we introduce SynthCrop4D, a procedurally generated synthetic dataset of temporally evolving plant point clouds that provides controllable noise, occlusion, and complete plant geometry for benchmarking reconstruction methods. Using this dataset, we evaluate a two-stage pipeline that combines spatial denoising and temporal point cloud completion. First, a denoising module removes structural artifacts from raw laser-scanned point clouds. The resulting data are then processed by an Adaptive Temporal PoinTr model that reconstructs the current growth stage (t) using information from the previous stage (t-1), enabling recovery of regions missing due to self-occlusion. We evaluate the proposed framework on both SynthCrop4D and the real-world Pheno4D dataset (tomato and maize) under settings with and without denoising. Results show that denoising substantially improves reconstruction quality, with the best configuration achieving a Chamfer Distance of 0.0061 on SynthCrop4D (Temporal PoinTr + Mamba-DG) and an F-Score of 0.2080 on Pheno4D (Vanilla PoinTr + Mamba-DG). We further demonstrate the use of completed point clouds for phenotypic trait extraction, including plant height, canopy width, and convex hull volume, obtaining hull-volume MAEs of 0.021 on synthetic data and 0.343 on real data. Together, SynthCrop4D and the proposed pipeline provide a benchmark and methodology for temporal plant reconstruction and high-throughput crop phenotyping.
- Abstract（参考訳）: 高スループット表現型化は、成長段階にわたる植物の正確な3次元再構成に依存するが、時間的完了法の開発と評価は、完全な幾何学的基底真理を持つデータセットの欠如によって制限される。
この課題に対処するために、SynthCrop4Dは、時間的に進化する植物点雲のプロシージャ的に生成された合成データセットであり、制御可能なノイズ、閉塞、および再構成手法のベンチマークのための完全な植物形状を提供する。
このデータセットを用いて,空間デノゲーションと時間点雲の補完を組み合わせた2段階パイプラインの評価を行った。
まず、デノナイジングモジュールは、生のレーザースキャンされた点雲から構造的アーティファクトを除去する。
得られたデータはAdaptive Temporal PoinTrモデルによって処理され、前段(t-1)の情報を用いて現在の成長段階(t)を再構築し、自己閉塞による欠落した領域の回復を可能にする。
そこで我々は,SynthCrop4Dと実世界のPheno4Dデータセット(トマトとトウモロコシ)の両フレームワークを,騒音のない環境下で評価した。
以上の結果から,SynthCrop4D(Temporal PoinTr + Mamba-DG)のChamfer Distance 0.0061,Pheno4D(Vanilla PoinTr + Mamba-DG)のF-Score 0.2080,SynthCrop4D(Temporal PoinTr + Mamba-DG)におけるChamfer Distance 0.0061,Pheno4D(Vanilla PoinTr + Mamba-DG)におけるF-Score 0.2080,Pheno4D(Vanilla PoinTr + Mamba-DG)の再現性は著しく向上した。
さらに, 植物の高さ, キャノピー幅, 凸殻体積などの表現型形質抽出に完成点雲を用いることで, 合成データに0.021の船体体積MAE, 実データに0.343を得ることができた。
SynthCrop4Dと提案したパイプラインは、時間的植物再構成と高スループット作物表現のベンチマークと方法論を提供する。
関連論文リスト
- Inference-Time Refinement Closes the Synthetic-Real Gap in Tabular Diffusion [8.745106905496282]
凍結したトレーニング済みのバックボーン上で動作可能な推論時間改善フレームワークを提案する。
推論時間の改善は、1つのコンシューマグレードのGPU上で1～80分でリアルタイムユーティリティを超えます。
論文 参考訳（メタデータ） (2026-05-07T13:37:03Z) - Continuous Exposure-Time Modeling for Realistic Atmospheric Turbulence Synthesis [65.19146708498346]
大気の乱流は、幾何学的なワープと露光時間依存のぼかしを導入することで、長距離イメージングを著しく劣化させる。
既存の乱流効果の方法は、しばしばぼやけと露出時間の関係を単純化する。
我々は,連続露光時間モデリングを明示的に組み込んだ大規模合成乱流データセットET-Turbを構築した。
論文 参考訳（メタデータ） (2026-03-02T02:58:44Z) - The Texture-Shape Dilemma: Boundary-Safe Synthetic Generation for 3D Medical Transformers [22.195374577712133]
ViTは医療画像分析に革命をもたらしたが、そのデータ不足の性質は、臨床アーカイブの不足とプライバシーの制約と衝突している。
フォーミュラ駆動型スーパービジョンラーニングは、このボトルネックに対する有望な解決策として現れ、実際の患者データを活用することなく、数学的公式から無限の注釈付きサンプルを合成している。
既存のFパラダイムは、均一な強度を持つ単純な幾何学的手法に依存しており、組織テクスチャやCTやMRIのようなモダリティに固有のノイズパターンを無視して、実質的なギャップを生み出している。
本稿では,高頻度合成テクスチャを鼻で添加すると,構造境界の学習に必要な画像勾配信号が劣化し,原因となる臨界衝突境界を同定する。
論文 参考訳（メタデータ） (2026-03-01T08:27:45Z) - SpikeGrasp: A Benchmark for 6-DoF Grasp Pose Detection from Stereo Spike Streams [57.84331423686738]
ほとんどのロボットの把握システムは、センサーデータを明示的な3Dポイントの雲に変換することに依存しており、これは生物学的知性には見つからない計算ステップである。
生体振動子経路を模倣するフレームワークであるSpikeGraspを導入し、立体スパイクカメラから生の非同期イベントを処理する。
我々のモデルは、これらのステレオスパイクストリームを融合させ、高レベルの視覚処理に類似した繰り返しスパイクニューラルネットワークを使用して、点雲を再構築することなく、把握仮説を反復的に洗練する。
論文 参考訳（メタデータ） (2025-10-12T13:36:40Z) - InJecteD: Analyzing Trajectories and Drift Dynamics in Denoising Diffusion Probabilistic Models for 2D Point Cloud Generation [48.55037712252843]
InJecteDは拡散確率モデル(DDPM)を解釈するフレームワーク
このフレームワークをDatasaurus Dozen bullseye, dino, circleの3つのデータセットに適用する。
提案手法は, 変位, 速度, クラスタリング, ドリフト場力学などの軌道特性を定量的に評価する。
論文 参考訳（メタデータ） (2025-09-09T14:53:19Z) - 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) - Three-dimentional reconstruction of complex, dynamic population canopy architecture for crops with a novel point cloud completion model: A case study in Brassica napus rapeseed [4.377318975816766]
本研究では, 複雑でダイナミックな個体群キャノピーの3次元再構築手法を提案する。
トレーニングデータセットの自動アノテーションのために、完全なポイントクラウド生成フレームワークが開発された。
次に,多分解能動的グラフ畳み込みエンコーダ (MRDG) と点ピラミッドデコーダ (PPD) を用いて,閉鎖点の予測を行った。
論文 参考訳（メタデータ） (2025-06-23T05:02:31Z) - Hierarchical Features Matter: A Deep Exploration of Progressive Parameterization Method for Dataset Distillation [44.03611131165989]
階層型生成蒸留(H-PD)と呼ばれる新しい生成パラメータ化法を提案する。
提案したH-PDは、等価な時間消費で様々な設定で大幅な性能向上を実現している。
IPC=1, IPC=10の超過圧縮比下での拡散モデルを用いて, 現在の再生蒸留を超越している。
論文 参考訳（メタデータ） (2024-06-09T09:15:54Z) - Zero123-6D: Zero-shot Novel View Synthesis for RGB Category-level 6D Pose Estimation [66.3814684757376]
本研究は,RGB 6Dのカテゴリレベルでのポーズ推定を向上するための拡散モデルに基づく新規ビュー合成器の実用性を示す最初の研究であるZero123-6Dを示す。
本手法は,データ要求の低減,ゼロショットカテゴリレベルの6Dポーズ推定タスクにおける深度情報の必要性の除去,およびCO3Dデータセットの実験により定量的に示された性能の向上を示す。
論文 参考訳（メタデータ） (2024-03-21T10:38:18Z) - StarNet: Style-Aware 3D Point Cloud Generation [82.30389817015877]
StarNetは、マッピングネットワークを使用して高忠実度および3Dポイントクラウドを再構築し、生成することができる。
我々のフレームワークは、クラウドの再構築と生成タスクにおいて、様々なメトリクスで同等の最先端のパフォーマンスを達成します。
論文 参考訳（メタデータ） (2023-03-28T08:21:44Z) - STPLS3D: A Large-Scale Synthetic and Real Aerial Photogrammetry 3D Point
Cloud Dataset [6.812704277866377]
本稿では,合成空中測光点雲生成パイプラインを提案する。
仮想ゲームで合成データを生成するのとは異なり、提案したパイプラインは実環境の再構築プロセスをシミュレートする。
我々は、リッチな注釈付き合成3D空中測光点クラウドデータセットを提案する。
論文 参考訳（メタデータ） (2022-03-17T03:50:40Z)
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。