Convolutional Neural Network-based Efficient Dense Point Cloud Generation using Unsigned Distance Fields

要約

まばらまたは不完全な点群から高密度の点群を生成することは、3D コンピュータ ビジョンおよびコンピュータ グラフィックスにおいて重要かつ困難な問題です。
これまでのところ、既存の方法は計算コストが高すぎるか、解像度が限られているか、またはその両方です。
さらに、一部の方法は水密面に厳密に制限されています。これは、多くのアプリケーションにとってもう 1 つの大きな障害です。
これらの問題に対処するために、最近出現した陰関数学習の概念を使用して、密な点群生成のために任意の 3D 形状の符号なし距離場を学習および予測する、軽量の畳み込みニューラル ネットワークを提案します。
実験では、提案されたアーキテクチャが最新技術よりもモデル パラメーターが 87% 少なく、推論時間が 36% 短縮され、生成された点群の精度が向上することが実証されています。

要約(オリジナル)

Dense point cloud generation from a sparse or incomplete point cloud is a crucial and challenging problem in 3D computer vision and computer graphics. So far, the existing methods are either computationally too expensive, suffer from limited resolution, or both. In addition, some methods are strictly limited to watertight surfaces — another major obstacle for a number of applications. To address these issues, we propose a lightweight Convolutional Neural Network that learns and predicts the unsigned distance field for arbitrary 3D shapes for dense point cloud generation using the recently emerged concept of implicit function learning. Experiments demonstrate that the proposed architecture outperforms the state of the art by 87% less model parameters, 36% reduced inference time and improved generated point cloud accuracy.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google