Grad-PU: Arbitrary-Scale Point Cloud Upsampling via Gradient Descent with Learned Distance Functions

要約

【タイトル】Grad-PU：学習した距離関数を用いた勾配降下による任意スケールの点群アップサンプリング

【要約】
– 既存の点群アップサンプリング手法は、特徴量抽出、特徴量拡張、3D座標予測の3つの手順をほとんど持っています。
– これらの手法では、1回のトレーニング後に固定されたアップサンプリング率があります。これは、特徴量拡張ユニットが各アップサンプリング率に合わせてカスタマイズされているためです。
– また、3D座標やアップサンプルされたポイントの残差を正確に予測するのが困難であるため、外れ値や収縮アーティファクトが生じることがあります。
– これらの問題を解決するために、任意のアップサンプリング率をサポートする正確な点群アップサンプリングの新しいフレームワークを提案しています。
– この方法では、まず、低解像度の点群を与えられたアップサンプリング率に従って補間します。そして、トレーニングされたモデルによる現在の点群と高解像度のターゲットの差を推定しながら、反復最適化プロセスによって補間された点の位置を洗練します。
– ベンチマークと下流タスクでの広範な定量的および定性的な結果は、この方法が最新の精度と効率を実現していることを示します。

要約(オリジナル)

Most existing point cloud upsampling methods have roughly three steps: feature extraction, feature expansion and 3D coordinate prediction. However,they usually suffer from two critical issues: (1)fixed upsampling rate after one-time training, since the feature expansion unit is customized for each upsampling rate; (2)outliers or shrinkage artifact caused by the difficulty of precisely predicting 3D coordinates or residuals of upsampled points. To adress them, we propose a new framework for accurate point cloud upsampling that supports arbitrary upsampling rates. Our method first interpolates the low-res point cloud according to a given upsampling rate. And then refine the positions of the interpolated points with an iterative optimization process, guided by a trained model estimating the difference between the current point cloud and the high-res target. Extensive quantitative and qualitative results on benchmarks and downstream tasks demonstrate that our method achieves the state-of-the-art accuracy and efficiency.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI