Are All Point Clouds Suitable for Completion? Weakly Supervised Quality Evaluation Network for Point Cloud Completion

要約

点群補完タスクの実用化においては、実際のデータ品質は、トレーニングに使用したCADデータセットよりもはるかに悪いのが普通である。少量のノイズの多いデータは、通常、システム全体の精度に大きな影響を与える。本論文では、点群をスコアリングする品質評価ネットワークを提案し、補完モデルを適用する前に点群の品質を判断するのに役立てます。私たちは、このスコアリング方法によって、研究者がその後の補完や再構成のために、より適切な点群を選択し、手動でのパラメータ調整を避けることができると考えています。さらに、我々の評価モデルは高速で分かりやすく、あらゆるモデルのトレーニングや使用プロセスに直接挿入することができ、点群の自動選択と後処理を容易にすることができる。ShapeNetに基づく完全なデータセット構築とモデル評価方法を提案する。自律走行用の実データセットであるKITTIの検出タスクとフロー推定タスクを用いて、我々のネットワークを検証する。実験結果は、我々のモデルが点群の品質を効果的に区別し、実用的なタスクに役立つことを示す。

要約(オリジナル)

In the practical application of point cloud completion tasks, real data quality is usually much worse than the CAD datasets used for training. A small amount of noisy data will usually significantly impact the overall system’s accuracy. In this paper, we propose a quality evaluation network to score the point clouds and help judge the quality of the point cloud before applying the completion model. We believe our scoring method can help researchers select more appropriate point clouds for subsequent completion and reconstruction and avoid manual parameter adjustment. Moreover, our evaluation model is fast and straightforward and can be directly inserted into any model’s training or use process to facilitate the automatic selection and post-processing of point clouds. We propose a complete dataset construction and model evaluation method based on ShapeNet. We verify our network using detection and flow estimation tasks on KITTI, a real-world dataset for autonomous driving. The experimental results show that our model can effectively distinguish the quality of point clouds and help in practical tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL