| عنوان مقاله به انگلیسی | fast graph-based denoising for point cloud color information |
| عنوان مقاله به فارسی | تشخیص مبتنی بر نمودار سریع برای اطلاعات رنگ ابر نقطه ای |
| نویسندگان | Ryosuke Watanabe, Keisuke Nonaka, Eduardo Pavez, Tatsuya Kobayashi, Antonio Ortega |
| زبان مقاله | انگلیسی |
| فرمت مقاله: | |
| چکیده | Point clouds are utilized in various 3D applications such as cross-reality (XR) and realistic 3D displays. In some applications, e.g., for live streaming using a 3D point cloud, real-time point cloud denoising methods are required to enhance the visual quality. However, conventional high-precision denoising methods cannot be executed in real time for large-scale point clouds owing to the complexity of graph constructions with K nearest neighbors and noise level estimation. This paper proposes a fast graph-based denoising (FGBD) for a large-scale point cloud. First, high-speed graph construction is achieved by scanning a point cloud in various directions and searching adjacent neighborhoods on the scanning lines. Second, we propose a fast noise level estimation method using eigenvalues of the covariance matrix on a graph. Finally, we also propose a new low-cost filter selection method to enhance denoising accuracy to compensate for the degradation caused by the acceleration algorithms. In our experiments, we succeeded in reducing the processing time dramatically while maintaining accuracy relative to conventional denoising methods. Denoising was performed at 30fps, with frames containing approximately 1 million points. |
| تعداد صفحات | 7 |
| چکیده به فارسی (ترجمه ماشینی) | از ابرهای نقطه در برنامه های مختلف سه بعدی مانند واقعیت متقابل (XR) و نمایشگرهای 3D واقع بینانه استفاده می شود.در برخی از برنامه ها ، به عنوان مثال ، برای پخش مستقیم با استفاده از ابر نقطه سه بعدی ، روش های Denoising Cloud در زمان واقعی برای افزایش کیفیت بصری مورد نیاز است.با این حال ، روشهای متداول با دقت بالا نمی توانند در زمان واقعی برای ابرهای نقطه ای در مقیاس بزرگ به دلیل پیچیدگی ساخت و سازهای نمودار با نزدیکترین همسایگان K و تخمین سطح سر و صدا اجرا شوند.در این مقاله یک denoising سریع مبتنی بر نمودار (FGBD) برای یک ابر نقطه در مقیاس بزرگ پیشنهاد شده است.اول ، ساخت نمودار با سرعت بالا با اسکن یک ابر نقطه در جهات مختلف و جستجوی محلات مجاور در خطوط اسکن انجام می شود.دوم ، ما یک روش تخمین سطح سر و صدای سریع را با استفاده از مقادیر ویژه ماتریس کواریانس روی یک نمودار پیشنهاد می کنیم.سرانجام ، ما همچنین یک روش جدید انتخاب فیلتر کم هزینه را برای افزایش دقت دفع کننده برای جبران تخریب ناشی از الگوریتم های شتاب پیشنهاد می کنیم.در آزمایشات خود ، ما موفق شدیم ضمن حفظ دقت نسبت به روشهای متعارف معمولی ، زمان پردازش را به طور چشمگیری کاهش دهیم.Denoising با سرعت 30 فریم در ثانیه انجام شد و فریم ها حاوی تقریباً 1 میلیون امتیاز بودند. |
| دسته بندی موضوعات | Computer Vision and Pattern Recognition,Image and Video Processing,Signal Processing,چشم انداز رایانه و تشخیص الگوی ، پردازش تصویر و فیلم ، پردازش سیگنال ، |
| توضیحات | Submitted 17 January, 2024; originally announced January 2024. , Comments: Published in the proceeding of 2024 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP 2024) |
| توضیحات به فارسی | ارسال شده 17 ژانویه 2024 ؛در ابتدا ژانویه 2024 اعلام شد. ، نظرات: منتشر شده در کنفرانس بین المللی IEEE 2024 IEEE در مورد آکوستیک ، گفتار و پردازش سیگنال (ICASSP 2024) |
| توجه کنید این مقاله به زبان انگلیسی است. |
|
برای سفارش ترجمه این مقاله می توانید به یکی از روش های تماس، پیامک، تلگرام و یا واتس اپ با شماره زیر تماس بگیرید:
09395106248 توجه کنید که شرایط ترجمه به صورت زیر است:
|
نقد و بررسیها
هنوز بررسیای ثبت نشده است.