Spotlights: Probing Shapes from Spherical Viewpoints

要約

近年、点群を直接利用した学習型表現が急増している。しかし、既存の表現の多くは、順序のある点集合を生成するのに苦労している。我々は、球体マルチビュースキャナからヒントを得て、3次元形状を奥行き値のコンパクトな1次元配列として表現する、スポットライトと呼ばれる新しいサンプリングモデルを提案する。これは、球面上に均等に配置されたカメラの構成をシミュレートし、各仮想カメラはその主点から小さな同心球状キャップ上のサンプル点を通して光線を投げ、球面に囲まれたオブジェクトとの交差の可能性を探るものである。したがって、構造化点群は、深さの関数として暗黙的に与えられる。我々はこの新しいサンプリングスキームの詳細な幾何学的解析を行い、点群補完タスクの文脈におけるその有効性を証明する。合成データと実データを用いた実験の結果、本手法は計算コストを大幅に削減しながら、競争力のある精度と一貫性を達成することが実証された。さらに、下流の点群登録タスクにおいて、最新の補完手法よりも優れた性能を示す。

要約(オリジナル)

Recent years have witnessed the surge of learned representations that directly build upon point clouds. Though becoming increasingly expressive, most existing representations still struggle to generate ordered point sets. Inspired by spherical multi-view scanners, we propose a novel sampling model called Spotlights to represent a 3D shape as a compact 1D array of depth values. It simulates the configuration of cameras evenly distributed on a sphere, where each virtual camera casts light rays from its principal point through sample points on a small concentric spherical cap to probe for the possible intersections with the object surrounded by the sphere. The structured point cloud is hence given implicitly as a function of depths. We provide a detailed geometric analysis of this new sampling scheme and prove its effectiveness in the context of the point cloud completion task. Experimental results on both synthetic and real data demonstrate that our method achieves competitive accuracy and consistency while having a significantly reduced computational cost. Furthermore, we show superior performance on the downstream point cloud registration task over state-of-the-art completion methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL