Mitigating Ambiguities in 3D Classification with Gaussian Splatting

要約

ポイントクラウド入力による3D分類は、3Dビジョンの根本的な問題です。
ただし、個別の性質と点雲の表現の不十分な材料の説明により、ワイヤーのような表面と平らな表面を区別することには曖昧さがあり、透明または反射オブジェクトがあります。
これらの問題に対処するために、ガウススプラッティング（GS）ポイントクラウドベースの3D分類を提案します。
GSポイントクラウドのスケールと回転係数は、表面タイプを特徴付けるのに役立つことがわかります。
具体的には、ワイヤーのような表面は複数の細いガウス楕円体で構成され、平らな表面はいくつかの平らなガウス楕円体で構成されています。
さらに、GSポイントクラウドの不透明度は、オブジェクトの透明性特性を表します。
その結果、Point Cloudベースの3D分類のあいまいさは、GS Point Cloudを入力として利用して緩和できます。
GSポイントクラウド入力の有効性を検証するために、各カテゴリに200のオブジェクトを備えた20のカテゴリを含むコミュニティで、最初の実際のGSポイントクラウドデータセットを構築します。
実験は、特に曖昧なオブジェクトを区別する際に、GSポイントクラウドの入力の優位性を検証するだけでなく、異なる分類方法にわたる一般化能力を実証します。

要約(オリジナル)

3D classification with point cloud input is a fundamental problem in 3D vision. However, due to the discrete nature and the insufficient material description of point cloud representations, there are ambiguities in distinguishing wire-like and flat surfaces, as well as transparent or reflective objects. To address these issues, we propose Gaussian Splatting (GS) point cloud-based 3D classification. We find that the scale and rotation coefficients in the GS point cloud help characterize surface types. Specifically, wire-like surfaces consist of multiple slender Gaussian ellipsoids, while flat surfaces are composed of a few flat Gaussian ellipsoids. Additionally, the opacity in the GS point cloud represents the transparency characteristics of objects. As a result, ambiguities in point cloud-based 3D classification can be mitigated utilizing GS point cloud as input. To verify the effectiveness of GS point cloud input, we construct the first real-world GS point cloud dataset in the community, which includes 20 categories with 200 objects in each category. Experiments not only validate the superiority of GS point cloud input, especially in distinguishing ambiguous objects, but also demonstrate the generalization ability across different classification methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google