要約
我々は、2次元および3次元の点群の密度を、その全体的な構造を破壊することなく体系的に再配置（分布の正規化）することによって均等化するために、Lennard-Jones層（LJL）を導入する。LJLは、ある瞬間の各点の最近傍を考慮することで、個々の点間の反発的・弱引力的相互作用の散逸過程をシミュレートします。これにより粒子はポテンシャルの谷へと押しやられ、安定化プロセスの後に等距離サンプリングに近似した、明確に定義された安定配置に到達する。我々は、ランダムに生成された点群をランダムな一様分布に再分配するためにLJLを適用する。さらに、LJLを推論プロセスの後段で追加することにより、点群ネットワークの生成プロセスに組み込む。LJLを利用した3次元点群生成の改善を定性的、定量的に評価する。最後に、スコアベースの3次元点群ノイズ除去ネットワークの点分布を改善するためにLJLを適用する。一般的に、LJLは分布の正規化に有効であり、与えられたニューラルネットワークを再トレーニングすることなく、無視できるコストで適用できることを示す。
要約(オリジナル)
We introduce the Lennard-Jones layer (LJL) for the equalization of the density of 2D and 3D point clouds through systematically rearranging points without destroying their overall structure (distribution normalization). LJL simulates a dissipative process of repulsive and weakly attractive interactions between individual points by considering the nearest neighbor of each point at a given moment in time. This pushes the particles into a potential valley, reaching a well-defined stable configuration that approximates an equidistant sampling after the stabilization process. We apply LJLs to redistribute randomly generated point clouds into a randomized uniform distribution. Moreover, LJLs are embedded in the generation process of point cloud networks by adding them at later stages of the inference process. The improvements in 3D point cloud generation utilizing LJLs are evaluated qualitatively and quantitatively. Finally, we apply LJLs to improve the point distribution of a score-based 3D point cloud denoising network. In general, we demonstrate that LJLs are effective for distribution normalization which can be applied at negligible cost without retraining the given neural network.
arxiv情報
| 著者 | Mulun Na,Jonathan Klein,Biao Zhang,Wojtek Pałubicki,Sören Pirk,Dominik L. Michels |
| 発行日 | 2024-02-05 18:43:05+00:00 |
| arxivサイト | arxiv_id(pdf) |