دانلود ترجمه مقاله حذف نویز و حذف داده های پرت از ابرهای نقطه متراکم

1. مقدمه 2. پیشینه آثار 3. مرور 4. مدل پاک سازی 5. راه اندازی آموزش 6. نتایج 7. نتیجه گیری، محدودیت ها و اثر آینده

چکیده – ابرهای نقطه ای بدست آمده با اسکنرهای سه بعدی یا تکنیک های بازسازی مبتنی بر تصویر، اغلب به خاطر میزان قابل توجه نویز و داده های پرت تخریب می شوند. روشهای قدیمی حذف نویز از ابر نقطه ای، بر برازش سطح محلی (برای مثال، جت ها یا سطوح MLS)، میانگین محلی یا غیر محلی یا فرضیات آماری مربوط به مدل نویز پایه تکیه دارند. ما روش خود را براساس معماری یادگیری عمیق اتخاذی از PCPNet قرار می دهیم که اخیرا برای برآورد خصوصیات شکل سه بعدی محلی در ابرهای نقطه ای پیشنهاد شده اند. روش ما ابتدا به طبقه بندی و حذف نمونه های پرت پرداخته و سپس بردارهای تصحیحی را برآورد می کند که نقاط نویزدار را برروی سطوح پاک اصلی ترسیم می کنند. این روش برای مقادیر متغیر نویز و داده های پرت کارآمد می باشد، ضمن اینکه قادر است به ابرهای نقطه ای متراکم بزرگ بپردازد. در ارزیابی داده های مصنوعی و واقعی، افزایش دقت سطوح دارای نویز قوی را در مقایسه با روشهای متعدد پیشرفته نشان داده و بازیابی سطح دقیق داده های واقعی نویزدار بدست آمده از اسکن ها را نشان می دهیم. در نهایت، سادگی و جامع بودن روش ما باعث می شود تا یکپارچه سازی هر خط پردازش هندسی موجود آسان شود. هر دو شبکه کد و پیش آموزشی را می توان در صفحه پروژه یافت. مقدمه: ابرهای نقطه ای سه بعدی خام بدست آمده از ادوات اکتسابی همچون اسکنرهای لیزری یا خروجی الگوریتم بازسازی (همچون بازسازی مبتنی بر تصویر) بطور منظم آلوده به نویز و داده های پرت می باشند. مرحله اول پردازش هندسی شامل پاکسازی چنین ابرهای نقطه ای خام به وسیله حذف نمونه های پرت و حذف نوی نقاط باقیمانده برای نشان دادن سطح اسکن شده می باشد. سپس از خروجی پاک برای کاربردهایی همچون بازسازی سطحی، تطابق شکل، بازیابی مدل و غیره استفاده می شود.

Point clouds obtained with 3D scanners or by image-based reconstruction techniques are often corrupted with significant amount of noise and outliers. Traditional methods for point cloud denoising largely rely on local surface fitting (e.g., jets or MLS surfaces), local or non-local averaging, or on statistical assumptions about the underlying noise model. In contrast, we develop a simple data-driven method for removing outliers and reducing noise in unordered point clouds. We base our approach on a deep learning architecture adapted from PCPNet, which was recently proposed for estimating local 3D shape properties in point clouds. Our method first classifies and discards outlier samples, and then estimates correction vectors that project noisy points onto the original clean surfaces. The approach is efficient and robust to varying amounts of noise and outliers, while being able to handle large densely-sampled point clouds. In our extensive evaluation, both on synthesic and real data, we show an increased robustness to strong noise levels compared to various state-of-the-art methods, enabling accurate surface reconstruction from extremely noisy real data obtained by range scans. Finally, the simplicity and universality of our approach makes it very easy to integrate in any existing geometry processing pipeline. Both the code and pre-trained networks can be found on the project page. Introduction: Raw 3D point clouds obtained directly from acquisition devices such as laser scanners or as output of a reconstruction algorithm (e.g., image-based reconstruction) are regularly contaminated with noise and outliers. The first stage of most geometry processing workflows typically involves cleaning such raw point clouds by discarding the outlier samples and denoising the remaining points to reveal the (unknown) scanned surface. The clean output is then used for a range of applications like surface reconstruction, shape matching, model retrieval, etc.

بخشی از ترجمه مقاله (صفحه 21 فایل ورد ترجمه)