Joint Point Cloud Upsampling and Cleaning with Octree-based CNNs

要約

まばらなデータやノイズの多いデータから高密度で均一に分散された点群を回復することは、依然として大きな課題です。
最近、これらのタスクは大幅に進歩しましたが、通常はモジュールやネットワーク アーキテクチャがますます複雑になり、推論時間が長くなり、リソースが大量に消費されます。
代わりに、私たちはシンプルさを重視し、点群のアップサンプリングとクリーニングを一緒に行うためのシンプルかつ効率的な方法を紹介します。
私たちの方法では、既製のオクツリーベースの 3D U-Net (OUNet) にわずかな変更を加えて利用し、単一ネットワーク内でアップサンプリングとクリーニングのタスクを可能にします。
私たちのネットワークは、以前の作品のように各点群パッチを処理するのではなく、各入力点群を全体として直接処理するため、実装が大幅に容易になり、少なくとも 47 倍高速な推論が実現します。
広範な実験により、私たちの方法が一連のベンチマークで大きな効率上の利点の下で最先端のパフォーマンスを達成できることが実証されました。
私たちは、私たちの手法がシンプルなベースラインを提供し、研究者が点群のアップサンプリングとクリーニングに関する手法設計を再考するきっかけとなることを期待しています。

要約(オリジナル)

Recovering dense and uniformly distributed point clouds from sparse or noisy data remains a significant challenge. Recently, great progress has been made on these tasks, but usually at the cost of increasingly intricate modules or complicated network architectures, leading to long inference time and huge resource consumption. Instead, we embrace simplicity and present a simple yet efficient method for jointly upsampling and cleaning point clouds. Our method leverages an off-the-shelf octree-based 3D U-Net (OUNet) with minor modifications, enabling the upsampling and cleaning tasks within a single network. Our network directly processes each input point cloud as a whole instead of processing each point cloud patch as in previous works, which significantly eases the implementation and brings at least 47 times faster inference. Extensive experiments demonstrate that our method achieves state-of-the-art performances under huge efficiency advantages on a series of benchmarks. We expect our method to serve simple baselines and inspire researchers to rethink the method design on point cloud upsampling and cleaning.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google