論文の概要: BRICE: Brain-inspired Recurrent Illusory Contour Encoder for Point Cloud Completion

• arxiv url: http://arxiv.org/abs/2610.23001v1
• Date: Fri, 16 Oct 2026 06:25:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.795237
• Title: BRICE: Brain-inspired Recurrent Illusory Contour Encoder for Point Cloud Completion
• Title（参考訳）: BRICE: ポイントクラウドコンプリートのためのブレインインスパイアされたリカレントIllusory Contour Encoder
• Abstract要約: BrainにインスパイアされたRecurrent Illusory Contour(BRICE)を構築して、3Dポイントクラウドに欠けていることを“想像”します。 Predictive Coding (PC)の基礎の上に構築されているこのプラグイン・アンド・プレイの性質は、BRICEをメインストリームのクラウド補完ベースラインにシームレスに統合することを可能にする。
• 参考スコア（独自算出の注目度）: 3.373984619133337
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Mainstream point cloud completion methods are unanimously based on deep learning architectures. On one hand, these methods tend to repetitively stacking attention modules to enhance network performance, which drifts away from the neat design of unified and interpret-able networks; on the other hand, nearly all existing architectures rely solely on feed-forward connections to propagate information, neglecting feedback from deeper layers. The recurrent neural architecture, formed by feedforward-feedback loops, have shown its ability to generate Illusory Contours (ICs) in the V1 brain region of mammals; and ICs are essentially a completion mechanism of the brain for visual information. Motivated by this, we design a Brain-inspired Recurrent Illusory Contour Encoder (BRICE) to "imagine" what is missing in the incomplete 3D point clouds. Building upon the foundation model of Predictive Coding (PC), the plug-and-play nature enables BRICE to be seamlessly integrated into mainstream point cloud completion baselines. Experimental results show that BRICE can enhance various completion baselines on different 3D datasets such as MVP2K, PCN, and PlantPCom. Our code: Https://github.com/wangyunlei-wyl/BRICE.
• Abstract（参考訳）: メインストリームのクラウドコンプリートメソッドは、すべてディープラーニングアーキテクチャに基づいています。 他方、既存のほとんどのアーキテクチャは、情報伝達のためにフィードフォワード接続のみに依存しており、より深い層からのフィードバックを無視している。 フィードフォワードフィードバックループによって形成されたリカレントニューラルアーキテクチャは、哺乳類のV1脳領域でIllusory Contours(IC)を生成する能力を示している。 脳にインスパイアされたリカレントIllusory Contour Encoder(BRICE)を設計し、不完全な3Dポイントクラウドに欠けているものを“想像”する。 Predictive Coding (PC)の基礎モデルに基づくこのプラグイン・アンド・プレイの性質は、BRICEをメインストリームのクラウド補完ベースラインにシームレスに統合することを可能にする。 実験の結果, BRICEはMVP2K, PCN, PlantPComなどの異なる3Dデータセット上で, 様々な補完ベースラインを拡張可能であることがわかった。 コード: Https://github.com/wangyunlei-wyl/BRICE.com

関連論文リスト

• Mind2Cloud: EEG-to-Point Cloud Generation with Two-Granularity Diffusion Decoding [14.012342907165602]
  2つの粒度拡散復号に基づく新しいEEG-to-point-cloud生成フレームワークであるMind2Cloudを提案する。 Mind2Cloudの中核は、グローバルトランスフォーマーブランチとローカルのPoint-Voxel CNNブランチを統合する、タイムアウェアなデコーダである。 EEG-3Dデータセットの実験では、Mind2Cloudは、幾何学的精度とセマンティックアライメントの両方において、以前の作業よりも優れていたことが示されている。
  論文  参考訳（メタデータ） (2026-09-12T15:08:27Z)
• Towards More Diverse and Challenging Pre-training for Point Cloud Learning: Self-Supervised Cross Reconstruction with Decoupled Views [58.45662356692379]
  本稿では,まず2つの分離点雲/ビューを生成し,一方を他方から再構成する相互再構成生成パラダイムであるPoint-PQAEを提案する。 クロスコンストラクションは, 自己再構成と比較して, 事前学習の難易度を著しく高め, 3次元自己教師型学習において従来の単一モーダル自己再構成法を超越することができる。
  論文  参考訳（メタデータ） (2025-09-01T08:42:17Z)
• Imagine with the Teacher: Complete Shape in a Multi-View Distillation Way [5.50886345709908]
  点雲の完成は、その部分的な観測から物体の3次元形状を復元することを目的としている。 本稿では,多視点蒸留方式で完成問題を解決する新しいビュー蒸留ポイントコンプリートネットワーク(VD-PCN)を提案する。
  論文  参考訳（メタデータ） (2025-01-31T16:29:19Z)
• DC-PCN: Point Cloud Completion Network with Dual-Codebook Guided Quantization [16.57261414187004]
  ポイントクラウドの完成は、部分的な3Dポイントクラウドから完全な3D形状を再構築することを目的としている。 我々は、新しいポイントクラウドコンプリートネットワーク、すなわちDual-Codebook Point Completion Network(DC-PCN)を導入する。 DC-PCNはエンコーダ・コードブックとデコーダ・コードブックで構成される。
  論文  参考訳（メタデータ） (2025-01-19T06:57:45Z)
• Ponder: Point Cloud Pre-training via Neural Rendering [93.34522605321514]
  本稿では,識別可能なニューラルエンコーダによる点雲表現の自己教師型学習手法を提案する。 学習したポイントクラウドは、3D検出やセグメンテーションといったハイレベルなレンダリングタスクだけでなく、3D再構成や画像レンダリングといった低レベルなタスクを含む、さまざまなダウンストリームタスクに簡単に統合できる。
  論文  参考訳（メタデータ） (2022-12-31T08:58:39Z)
• PointAttN: You Only Need Attention for Point Cloud Completion [89.88766317412052]
  ポイント・クラウド・コンプリート(Point cloud completion)とは、部分的な3次元ポイント・クラウドから3次元の形状を完成させることである。 そこで我々は,kNNを除去するために,ポイントクラウドをポイント単位に処理する新しいニューラルネットワークを提案する。 提案するフレームワークであるPointAttNはシンプルで簡潔で効果的であり、3次元形状の構造情報を正確に捉えることができる。
  論文  参考訳（メタデータ） (2022-03-16T09:20:01Z)
• Voxel-based Network for Shape Completion by Leveraging Edge Generation [76.23436070605348]
  エッジ生成(VE-PCN)を利用した点雲補完のためのボクセルネットワークを開発した。 まず点雲を正規のボクセル格子に埋め込み、幻覚した形状のエッジの助けを借りて完全な物体を生成する。 この分離されたアーキテクチャとマルチスケールのグリッド機能学習は、より現実的な表面上の詳細を生成することができる。
  論文  参考訳（メタデータ） (2021-08-23T05:10:29Z)
• PC-RGNN: Point Cloud Completion and Graph Neural Network for 3D Object Detection [57.49788100647103]
  LiDARベースの3Dオブジェクト検出は、自動運転にとって重要なタスクです。 現在のアプローチでは、遠方および閉ざされた物体の偏りと部分的な点雲に苦しむ。 本稿では,この課題を2つの解決法で解決する新しい二段階アプローチ,pc-rgnnを提案する。
  論文  参考訳（メタデータ） (2020-12-18T18:06:43Z)

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。