Leveraging Transformer and CNN for Monocular 3D Point Cloud Reconstruction
Notice bibliographique
Résumé
A transformer-based 3D object reconstruction approach is proposed in this paper to process an input monocular RGB image. This is carried out by a network containing two branches: (i) the convolutional neural network (CNN) branch and (ii) the transformer branch. The CNN branch aims to capture the local features and tiny details of the input image and convert them into the thin structures of the 3D point cloud output. The transformer branch, on the other hand, attends to the global structures and features, capturing long-distance relationships in the input image and transforming them from the feature space to the point cloud space to construct the global geometry of the 3D output. The transformer branch enables the method to learn to attend to the most relevant image features for each 3D point in the output. Moreover, point clouds generated by a combination of the transformer and CNN maintain the general geometrical structure of the object while preserving fine-level features only where needed. This reduces the memory requirement, enabling more accurate results compared to existing methods without losing computational efficiency. We also design and implement different network architectures to determine the required elements in the proposed network. All the architectures are evaluated using a proper dataset, and the results are compared to existing methods. Simulations demonstrate the superior performance of the proposed approach<sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">1</sup>.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».