要約
点群は、オブジェクトの 3D ジオメトリを表す空間内のデータ ポイントのセットです。
処理の基本的なステップは、形状を表す点のサブセットを特定することです。
従来のサンプリング手法では幾何学的情報の組み込みが無視されることがよくありましたが、最近の学習ベースのサンプリング モデルの開発により、大幅なパフォーマンス レベルが達成されました。
幾何学的事前分布を統合すると、サンプリング時に基礎となる構造を学習して保存する能力が強化されます。
形状に光を当てるために、定性的なスケルトンは、ローカルとグローバルの両方のジオメトリのサンプリングをガイドする効果的な記述子として機能します。
この論文では、形状の効率的なスケルトン化を容易にする、形態学に基づく新しい技術として MorphoSkel3D を紹介します。
MorphoSkel3D は、計算コストが低く、ModelNet と ShapeNet という 2 つの大規模なデータセットの品質とパフォーマンスを異なるサンプリング比でベンチマークする、独自のルールベースのアルゴリズムです。
結果は、MorphoSkel3D を使用したトレーニングが、オブジェクト分類と点群検索の実際のアプリケーションにおいて、情報に基づいたより正確なサンプリングにつながることを示しています。
要約(オリジナル)
Point clouds are a set of data points in space to represent the 3D geometry of objects. A fundamental step in the processing is to identify a subset of points to represent the shape. While traditional sampling methods often ignore to incorporate geometrical information, recent developments in learning-based sampling models have achieved significant levels of performance. With the integration of geometrical priors, the ability to learn and preserve the underlying structure can be enhanced when sampling. To shed light into the shape, a qualitative skeleton serves as an effective descriptor to guide sampling for both local and global geometries. In this paper, we introduce MorphoSkel3D as a new technique based on morphology to facilitate an efficient skeletonization of shapes. With its low computational cost, MorphoSkel3D is a unique, rule-based algorithm to benchmark its quality and performance on two large datasets, ModelNet and ShapeNet, under different sampling ratios. The results show that training with MorphoSkel3D leads to an informed and more accurate sampling in the practical application of object classification and point cloud retrieval.
arxiv情報
著者 | Pierre Onghena,Santiago Velasco-Forero,Beatriz Marcotegui |
発行日 | 2025-01-22 15:58:11+00:00 |
arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google