論文の概要: Gaussian Linear Functional Manifold Method for Massive Point Cloud Data

• arxiv url: http://arxiv.org/abs/2609.05744v1
• Date: Fri, 04 Sep 2026 21:43:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.127539
• Title: Gaussian Linear Functional Manifold Method for Massive Point Cloud Data
• Title（参考訳）: 大規模点クラウドデータに対するガウス線形関数多様体法
• Abstract要約: 本稿では,連続表面トポグラフィーを表す物理インフォームド統計フレームワークであるGaussian Linear Functional Manifold (GLFM)を紹介する。 GLFMはグラウンドポイントを自動的にフィルタリングし、形態的特徴を抽出し、フィールド検証されたグラウンド真理に対して0.9933の調整されたランドインデックス(ARI)を達成する。 このフレームワークは、大規模クラウド分析のための厳格で解釈可能なスケーラブルな基盤を提供する。
• 参考スコア（独自算出の注目度）: 5.1885370045206916
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reconstructing continuous terrain manifolds from massive, unstructured airborne LiDAR point clouds remains challenging in complex Wildland-Urban Interface (WUI) environments, where deep neural networks require costly point-wise annotations and nonparametric surface reconstruction methods often lack structural interpretability. This paper introduces the Gaussian Linear Functional Manifold (GLFM), a physics-informed statistical framework that represents continuous surface topography using deterministic linear functional bases while modeling microscale diffuse laser backscatter as an isotropic Gaussian process. To avoid the quadratic computational cost of exact constrained maximum likelihood estimation, we develop an algebraic singular value decomposition (SVD) rank-reduction algorithm that enables linear-time parameter estimation and closed-form quadric classification. Evaluated on 35.2 km^2 of real-world aerial LiDAR data, GLFM automatically filters ground points and extracts morphological features, achieving an adjusted Rand index (ARI) of 0.9933 against field-verified ground truth and outperforming four leading baselines while maintaining an out-of-core memory footprint. The framework provides a rigorous, interpretable, and scalable foundation for large-scale point cloud analytics.
• Abstract（参考訳）: 複雑なWildland-Urban Interface (WUI)環境では、大規模で非構造的なLiDAR点雲から連続的な地形多様体を再構成することは困難であり、深層ニューラルネットワークはコストのかかるポイントワイドアノテーションを必要とし、非パラメトリックな表面再構成法は構造的解釈性に欠けることが多い。 本稿では, マイクロスケール拡散レーザ後方散乱を等方的ガウス過程としてモデル化しながら, 決定論的線形汎関数基底を用いた連続表面トポグラフィーを表現する物理インフォームド統計フレームワークであるガウス線形汎関数多様体(GLFM)を紹介する。 厳密な制約付き最大推定の二次計算コストを回避するため、線形時間パラメータ推定と閉形式二次分類を可能にする代数的特異値分解(SVD)ランク推論アルゴリズムを開発した。 GLFMは実世界のLiDARデータの35.2 km^2で評価され、自動的に地上点をフィルタリングし、形態的特徴を抽出し、フィールド検証された地上真実に対して0.9933の調整されたランド指数(ARI)を達成し、コア外メモリフットプリントを維持しながら4つの主要なベースラインを上回った。 このフレームワークは、大規模クラウド分析のための厳格で解釈可能なスケーラブルな基盤を提供する。

関連論文リスト

• Need We Teach Foundation Models What is a Generative Image? Gradient-Free Generative Artifact Detection via Analytic Spectral Adaptation [3.881211374324378]
  勾配ベースの更新による生成成果物の検出に基礎モデルを適用することで、本質的な表現が損なわれる。 本稿では,二分分類から外分布(OOD)異常測定問題への検出を緩和する勾配のない手法を提案する。
  論文  参考訳（メタデータ） (2026-06-03T13:04:23Z)
• Fitting Unknown Number of Hyperplanes with Manifold Optimization [57.48093263119306]
  未知数の線形平面をデータに適合させることは、機械学習の根本的な課題である。 既存のアプローチはしばしば最適な最適化に苦しむか、幾何的整合性に欠ける。
  論文  参考訳（メタデータ） (2026-05-27T14:02:20Z)
• 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)
• Delta Score Matters! Spatial Adaptive Multi Guidance in Diffusion Models [8.570762845568995]
  拡散モデルは、複雑な静的および時間的視覚の合成において顕著な成功を収めた。 標準アーキテクチャ-CFG(Free Guidance)は、グローバルな一様スカラーに依存している。 この増幅は、文書化された「デテールアーティファクトジレンマ」でモデルをトラップする 本研究では,Spatial Adaptive Multi Guidance (SAMG)を提案する。
  論文  参考訳（メタデータ） (2026-04-29T10:08:08Z)
• Attention-Guided Flow-Matching for Sparse 3D Geological Generation [7.734651455015875]
  3D-GeoFlowは、スパースマルチモーダルな地質モデリングに適した最初のアテンションガイド型連続フローマッチングフレームワークである。 離散カテゴリー生成をシミュレーションのない連続ベクトル場回帰として再構成することにより、安定な決定論的最適輸送経路を確立する。 この枠組みを検証するため,2200件の手続き的に生成された3次元地質事例からなる大規模マルチモーダルデータセットをキュレートした。
  論文  参考訳（メタデータ） (2026-04-07T07:02:53Z)
• 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)
• TopoLiDM: Topology-Aware LiDAR Diffusion Models for Interpretable and Realistic LiDAR Point Cloud Generation [15.223634903890863]
  TopoLiDMは、高忠実度LiDAR生成のためのトポロジカル正規化の下で、グラフニューラルネットワークと拡散モデルを統合する新しいフレームワークである。 我々のアプローチはまず、グラフ構造と複数のグラフ畳み込み層によって潜在グラフ表現を抽出するために、位相保存型VAEを訓練する。 KITTI-360データセットの大規模な実験は、最先端の手法よりもTopoLiDMの方が優れていることを示している。
  論文  参考訳（メタデータ） (2025-07-30T08:02:42Z)
• 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)
• Diffeomorphic interpolation for efficient persistence-based topological optimization [3.7550827441501844]
  トポロジカルデータ分析(TDA)は、構造化オブジェクトから定量的トポロジカル記述子を抽出するパイプラインを提供する。 提案手法は, サブサンプル上で計算された勾配から導出される微分同相を, 完全な入力対象の座標を更新するために有効であることを示す。 我々はまた,ブラックボックスオートエンコーダ(AE)正則化に対する我々のアプローチの妥当性を示す。そこでは,固定,事前学習,ブラックボックスAEモデルに関連する潜伏空間のトポロジ的先行を強制することを目的としている。
  論文  参考訳（メタデータ） (2024-05-29T07:00:28Z)
• Surface Warping Incorporating Machine Learning Assisted Domain Likelihood Estimation: A New Paradigm in Mine Geology Modelling and Automation [68.8204255655161]
  新たに取得した破砕孔データによって課される地球化学的および空間的制約に基づいて, モデル表面を再構成するバイーシアンワープ法が提案されている。 本稿では,このワーピングフレームワークに機械学習を組み込むことにより,可能性の一般化を図る。 その基礎は、p(g|c) が p(y(c)|g と似た役割を果たすような地質領域の確率のベイズ計算によって構成される。
  論文  参考訳（メタデータ） (2021-02-15T10:37:52Z)
• A Point-Cloud Deep Learning Framework for Prediction of Fluid Flow Fields on Irregular Geometries [62.28265459308354]
  ネットワークは空間位置とCFD量のエンドツーエンドマッピングを学習する。 断面形状の異なるシリンダーを過ぎる非圧縮層状定常流を考察する。 ネットワークは従来のCFDの数百倍の速さで流れ場を予測する。
  論文  参考訳（メタデータ） (2020-10-15T12:15:02Z)

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。