PU-Flow: a Point Cloud Upsampling Network with Normalizing Flows

要約

点群アップサンプリングは、与えられた疎な点群から密な点群を生成することを目的としているが、これは点群の不規則かつ非順序な性質のために困難なタスクである。この課題に対処するため、我々はPU-Flowと呼ばれる新しい深層学習ベースのモデルを提示し、正規化フローと重み予測技術を組み込んで、基底表面上に均一に分布する高密度な点を生成することを目指す。具体的には、ユークリッド空間と潜在空間間で点を変換する正規化フローの反転特性を利用し、アップサンプリング処理を潜在空間における近傍点のアンサンブルとして定式化し、アンサンブル重みは局所的な幾何学的コンテキストから適応的に学習される。広範な実験により、我々の手法は競争力があり、ほとんどのテストケースにおいて、再構成品質、表面への近接精度、計算効率の点で最先端手法を凌駕することが示された。ソースコードは、https://github.com/unknownue/pu-flow で公開される予定です。

要約(オリジナル)

Point cloud upsampling aims to generate dense point clouds from given sparse ones, which is a challenging task due to the irregular and unordered nature of point sets. To address this issue, we present a novel deep learning-based model, called PU-Flow, which incorporates normalizing flows and weight prediction techniques to produce dense points uniformly distributed on the underlying surface. Specifically, we exploit the invertible characteristics of normalizing flows to transform points between Euclidean and latent spaces and formulate the upsampling process as ensemble of neighbouring points in a latent space, where the ensemble weights are adaptively learned from local geometric context. Extensive experiments show that our method is competitive and, in most test cases, it outperforms state-of-the-art methods in terms of reconstruction quality, proximity-to-surface accuracy, and computation efficiency. The source code will be publicly available at https://github.com/unknownue/pu-flow.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL