Arbitrary Point Cloud Upsampling with Spherical Mixture of Gaussians

要約

疎な生データから密な点群を生成することは、下流の3D理解タスクに利益をもたらすが、既存のモデルは固定されたアップサンプリング比か、短い範囲の整数に限定されている。本論文では、任意の点群アップサンプリング（APU）のためのTransformerベースのモデルであるAPU-SMOGを紹介する。まず、疎な入力は球形ガウス混合分布（SMOG）にマッピングされ、そこから任意の数の点をサンプリングすることができる。そして、これらのサンプルはTransformerデコーダーにクエリーとして送られ、ターゲットサーフェスにマッピングし直される。APU-SMOGの定性的・定量的な評価により、最新の固定比率の手法を凌駕し、非整数の値を含む任意のスケーリングファクターによるアップサンプリングが、単一の学習済みモデルで効果的に可能であることが示されています。コードは公開される予定です。

要約(オリジナル)

Generating dense point clouds from sparse raw data benefits downstream 3D understanding tasks, but existing models are limited to a fixed upsampling ratio or to a short range of integer values. In this paper, we present APU-SMOG, a Transformer-based model for Arbitrary Point cloud Upsampling (APU). The sparse input is firstly mapped to a Spherical Mixture of Gaussians (SMOG) distribution, from which an arbitrary number of points can be sampled. Then, these samples are fed as queries to the Transformer decoder, which maps them back to the target surface. Extensive qualitative and quantitative evaluations show that APU-SMOG outperforms state-of-the-art fixed-ratio methods, while effectively enabling upsampling with any scaling factor, including non-integer values, with a single trained model. The code will be made available.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL