論文の概要: A Three-Dimensional Reverse-Projection Method for Sparse Point Cloud Completion and Its Application to High-Speed Train Nose Reconstruction

• arxiv url: http://arxiv.org/abs/2610.05758v1
• Date: Mon, 05 Oct 2026 04:07:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 04:34:27.188089
• Title: A Three-Dimensional Reverse-Projection Method for Sparse Point Cloud Completion and Its Application to High-Speed Train Nose Reconstruction
• Title（参考訳）: スパース点雲完了のための3次元逆投影法とその高速列車騒音復元への応用
• Abstract要約: 本研究では,高速列車鼻のスキャンにおいて,スパースサンプリングやウィンドウ領域の欠落に対処するために,点雲取得,フィルタリング,補修,表面再構成のためのパイプラインを提案する。 FAST-LIVO2はマルチセンサー・オドメトリーとマッピングを通じて初期点雲を提供し、最小二乗運動(MLS)は観測を円滑にする。 このパイプラインは、列車の鼻形状の非接触デジタルモデリングをサポートし、ガラス窓で物体を再構築するための実用的なアプローチを提供する。
• 参考スコア（独自算出の注目度）: 1.27752987996483
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Holes in LiDAR scans of environments with glass windows remain an unresolved problem in three-dimensional reconstruction. This study presents a pipeline for point cloud acquisition, filtering, completion, and surface reconstruction to address sparse sampling and missing window regions in scans of a high-speed train nose. FAST-LIVO2 provides the initial point cloud through multisensor odometry and mapping, and moving least squares (MLS) smooths the observations. We then introduce three-axis projection-based subdivision and interpolation with reverse hole boundary identification, referred to as three-axis reverse completion. The method interpolates missing regions from observations around each hole. Greedy projection triangulation, Poisson surface reconstruction, and a Marching Cubes-based pipeline generate meshes from the completed point cloud. Experiments on a proportionally scaled display model of a high-speed train nose show that the proposed method fills missing point cloud regions around the glass windows. Under the evaluation setting used in this study, greedy projection triangulation yields lower geometric distance errors than the other two reconstruction pipelines. The pipeline supports non-contact digital modeling of train nose geometry and provides a practical approach to reconstructing objects with glass windows.
• Abstract（参考訳）: ガラス窓のある環境のLiDARスキャンのホールは、三次元再構成において未解決の問題のままである。 本研究では,高速列車鼻のスキャンにおいて,スパースサンプリングやウィンドウ領域の欠落に対処するために,点雲取得,フィルタリング,補修,表面再構成のためのパイプラインを提案する。 FAST-LIVO2はマルチセンサー・オドメトリーとマッピングを通じて初期点雲を提供し、最小二乗運動(MLS)は観測を円滑にする。 次に、3軸の投影に基づく部分分割と3軸の逆補完と呼ばれる逆穴境界同定による補間を導入する。 この方法は、各ホールの周囲の観測から欠落した領域を補間する。 グレディ射影三角測量、ポアソン表面の再構成、およびマーチングキューブに基づくパイプラインは、完了した点雲からメッシュを生成する。 高速列車の鼻部を比例的に拡大した表示モデル実験により, ガラス窓周囲の点雲領域を補う方法が提案された。 本研究で用いられる評価条件では, グリーディ射影三角法は, 他の2つの再建パイプラインよりも低い幾何学的距離誤差をもたらす。 このパイプラインは、列車の鼻形状の非接触デジタルモデリングをサポートし、ガラス窓で物体を再構築するための実用的なアプローチを提供する。

関連論文リスト

• OffsetOPT: Explicit Surface Reconstruction without Normals [7.297352404640493]
  ここでは,3次元点雲から直接表面を再構成するOffsetOPTを提案する。 小型の形状や大規模開口面など,一般的なベンチマークでその精度を実証する。
  論文  参考訳（メタデータ） (2025-03-20T00:47:27Z)
• Few-shot point cloud reconstruction and denoising via learned Guassian splats renderings and fine-tuned diffusion features [52.62053703535824]
  本稿では,少数の画像から点雲を再構成し,そのレンダリングから点雲を識別する手法を提案する。 制約条件下での再構成を改善するため,ハイブリッド表面と外観の相違点のトレーニングを規則化する。 これらの学習したフィルタを使って、3Dの監督なしに来る点雲ノイズを除去する方法を実証する。
  論文  参考訳（メタデータ） (2024-04-01T13:38:16Z)
• 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)
• Arbitrary point cloud upsampling via Dual Back-Projection Network [12.344557879284219]
  ポイントクラウドアップサンプリング(DBPnet)のためのデュアルバックプロジェクションネットワークを提案する。 デュアルバックプロジェクションは、ポイントクラウドアップサンプリングのためのアップアップアップ方式で定式化される。 実験の結果,提案手法は最小の点集合の損失を達成できることがわかった。
  論文  参考訳（メタデータ） (2023-07-18T06:11:09Z)
• SketchSampler: Sketch-based 3D Reconstruction via View-dependent Depth Sampling [75.957103837167]
  1枚のスケッチ画像に基づいて3次元形状を再構成することは、スパースで不規則なスケッチと正規の高密度な3次元形状との間に大きな領域ギャップがあるため困難である。 既存の作品では、3D座標を直接予測するためにスケッチから抽出されたグローバルな特徴を活用しようとするが、通常は入力スケッチに忠実でない細部を失う。
  論文  参考訳（メタデータ） (2022-08-14T16:37:51Z)
• RCP: Recurrent Closest Point for Scene Flow Estimation on 3D Point Clouds [44.034836961967144]
  シーンフローや点雲の登録を含む3次元運動推定が注目されている。 最近の手法では、正確な3次元フローを推定するためのコストボリュームを構築するために、ディープニューラルネットワークを使用している。 問題を2つのインターレースステージに分解し、第1段階では3次元フローをポイントワイズに最適化し、第2段階ではリカレントネットワークでグローバルに正規化する。
  論文  参考訳（メタデータ） (2022-05-23T04:04:30Z)
• A Conditional Point Diffusion-Refinement Paradigm for 3D Point Cloud Completion [69.32451612060214]
  実スキャンされた3Dポイントクラウドはしばしば不完全であり、下流アプリケーションのために完全なポイントクラウドを復元することが重要である。 ほとんどの既存のポイントクラウド補完方法は、トレーニングにチャンファー距離(CD)損失を使用する。 本稿では,点雲完了のためのPDR(Point Diffusion-Refinement)パラダイムを提案する。
  論文  参考訳（メタデータ） (2021-12-07T06:59:06Z)
• Deep Point Cloud Reconstruction [74.694733918351]
  3Dスキャンから得られる点雲は、しばしばスパース、ノイズ、不規則である。 これらの問題に対処するため、最近の研究は別々に行われ、不正確な点雲を密度化、復調し、完全な不正確な点雲を観測している。 本研究では,1) 初期密度化とデノナイズのための3次元スパース集積時間ガラスネットワーク,2) 離散ボクセルを3Dポイントに変換するトランスフォーマーによる改良,の2段階からなる深部点雲再構成ネットワークを提案する。
  論文  参考訳（メタデータ） (2021-11-23T07:53:28Z)
• RfD-Net: Point Scene Understanding by Semantic Instance Reconstruction [19.535169371240073]
  本稿では,高密度物体表面を直接点雲から検出・再構成するRfD-Netを提案する。 インスタンス再構成を大域的オブジェクトローカライゼーションと局所形状予測に分離する。 我々のアプローチは、オブジェクト再構成において、最先端の技術を一貫して上回り、メッシュIoUの11以上を改善します。
  論文  参考訳（メタデータ） (2020-11-30T12:58:05Z)
• Pseudo-LiDAR Point Cloud Interpolation Based on 3D Motion Representation and Spatial Supervision [68.35777836993212]
  我々はPseudo-LiDAR点雲ネットワークを提案し、時間的および空間的に高品質な点雲列を生成する。 点雲間のシーンフローを活用することにより,提案ネットワークは3次元空間運動関係のより正確な表現を学習することができる。
  論文  参考訳（メタデータ） (2020-06-20T03:11:04Z)

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。