核心概念
本論文では、疎で雑音の多いポイントクラウドから3Dオブジェクトの占有率フィールドを無監督で学習する手法を提案する。マージン関数に基づく不確実性サンプリングと、エントロピーに基づく正則化を組み合わせることで、ポイントクラウドの境界に沿った占有率フィールドを効果的に学習できる。
要約
本論文では、疎で雑音の多いポイントクラウドから3Dオブジェクトの占有率フィールドを無監督で学習する手法を提案している。
まず、マージン関数に基づく不確実性サンプリングを用いて、ポイントクラウドの境界に沿った占有率フィールドを学習する。具体的には、マージン関数の根を見つけることで、ポイントクラウドの近傍の不確実なサンプルを特定し、それらをポイントクラウドの近傍に引き寄せるように学習する。
さらに、エントロピーに基づく正則化を導入する。これにより、ポイントクラウドの近傍では不確実性を高め、それ以外の領域では不確実性を低くすることで、より安定した占有率フィールドの学習を実現する。
提案手法は、合成データや実データを用いた広範な実験で評価され、既存手法を大きく上回る性能を示している。特に、疎で雑音の多いポイントクラウドからの3Dオブジェクト再構築において優れた結果を得ている。
統計
ポイントクラウドの各サンプルは、平均0.005の標準偏差のガウシアンノイズが加えられている。
入力ポイントクラウドのサイズは1024点である。