GUARD: ロボットによるハードディスク分解のための幾何学的不確実性を考慮した点群ノイズ除去とセグメンテーション

- HDDのロボット分解のための点群処理フレームワークGUARDを提案。 - 部品レベルの表現で、実形状と走査・再構成アーティファクトを区別する。 - 点群中の構造的ghost artifactsが有効部品に局所的に似る問題に対処。 - 意味的予測confidenceだけでは幾何の信頼性を確立できないという工学的情報問題を扱う。 - 単一forward passで点フィルタリングとsegmentationを実行。

- 従来はsemantic prediction confidenceに依存し、幾何的信頼性を区別しなかった。 - GUARDはgeometric uncertaintyを導入し、artifact抑制と情報構造保持を両立。 - PointNet++ segmentation mIoUを0.7739から0.8318に改善。 - 手動注釈ScanNetでgeometric uncertaintyのcorrupted-point detection F1が0.7931、predictive entropyは0.2212。 - 幾何的信頼性と意味的confidenceの区別の価値を示す。

- multi-scale geometric transformerとmulti-bandwidth random Fourier feature Gaussian Processを組み合わせ。 - 学習された幾何表現の信頼性をモデル化し、per-point geometric uncertaintyを推定。 - predictive entropyを補完的に用い、信頼できない測定を抑制しつつ情報構造を保持。 - 点フィルタリングとsegmentationを単一forward passで統合。

- 2,745の実HDD点群で評価し、PointNet++ segmentation mIoUが0.7739から0.8318に向上。 - ShapeNetPartとScanNetでcorruptionタイプ、点群ドメイン、segmentation backbone間のrobustnessを検証。 - 手動注釈ScanNetサンプルでgeometric uncertaintyのcorrupted-point detection F1=0.7931、predictive entropy=0.2212。 - artifact抑制と情報構造保持のトレードオフを明らかに。

- 幾何的信頼性と意味的confidenceを区別することの価値を示す。 - artifact抑制と情報構造保持のトレードオフが存在することを明らかに。 - 不完全な3D測定の解釈におけるreliability-awareアプローチを提供。 - 部品識別と後続のロボットハンドリングへの貢献。 - 具体的な限界や失敗事例は要旨からは不明。

- PointNet++（segmentation backboneとして比較）。 - ShapeNetPart（データセット）。 - ScanNet（データセット）。 - multi-scale geometric transformer（関連手法）。 - random Fourier feature Gaussian Process（関連手法）。