論文の概要: Meshlet Priors for 3D Mesh Reconstruction

• arxiv url: http://arxiv.org/abs/2001.01744v2
• Date: Mon, 1 Jun 2020 18:58:52 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-14 02:36:18.965278
• Title: Meshlet Priors for 3D Mesh Reconstruction
• Title（参考訳）: 3Dメッシュ再構築のためのMeshlet Presor
• Authors: Abhishek Badki, Orazio Gallo, Jan Kautz, and Pradeep Sen
• Abstract要約: ローカルな形状を学習するために使用するメッシュの小さなパッチであるメッシュレットを導入しています。 メッシュレットはローカル機能の辞書として機能するため、学習済みのプリエントを使用して、任意のポーズや見えないクラスからオブジェクトメッシュを再構築することができる。
• 参考スコア（独自算出の注目度）: 74.92782144054293
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Estimating a mesh from an unordered set of sparse, noisy 3D points is a challenging problem that requires carefully selected priors. Existing hand-crafted priors, such as smoothness regularizers, impose an undesirable trade-off between attenuating noise and preserving local detail. Recent deep-learning approaches produce impressive results by learning priors directly from the data. However, the priors are learned at the object level, which makes these algorithms class-specific and even sensitive to the pose of the object. We introduce meshlets, small patches of mesh that we use to learn local shape priors. Meshlets act as a dictionary of local features and thus allow to use learned priors to reconstruct object meshes in any pose and from unseen classes, even when the noise is large and the samples sparse.
• Abstract（参考訳）: 未順序でノイズの多い3Dポイントの集合からメッシュを推定することは、慎重に選択された事前処理を必要とする難しい問題である。 滑らかさ調整器のような既存の手作りの先行装置は、ノイズの減衰と局所的な詳細保持の間の望ましくないトレードオフを課している。 最近のディープラーニングアプローチは、データから直接事前学習することで、印象的な結果をもたらす。 しかし、事前はオブジェクトレベルで学習されるため、これらのアルゴリズムはクラス固有であり、オブジェクトのポーズにも敏感である。 ローカルな形状を学習するために使用するメッシュの小さなパッチであるメッシュレットを導入しています。 メッシュレットはローカル機能の辞書として機能するため、ノイズが大きく、サンプルがスパースである場合でも、任意のポーズや見えないクラスからオブジェクトメッシュを再構築するために学習済みの事前を使用することができる。

関連論文リスト

• Robust Bayesian Scene Reconstruction by Leveraging Retrieval-Augmented Priors [17.05305897044699]
  オブジェクト幾何学の3D表現を構築することは、多くの下流ロボティクスタスクにとって重要である。 本研究では,1枚のRGBD画像から多目的シーンを再構成する問題に焦点をあてる。 本稿では、既存のメッシュデータセットを利用して情報的事前構築を行う再構成手法BRRPを提案する。
  論文  参考訳（メタデータ） (2024-11-29T04:14:17Z)
• Robust Shape Fitting for 3D Scene Abstraction [33.84212609361491]
  特に,キュービドやシリンダーなどのボリュームプリミティブを用いて人工環境を記述することができる。 プリミティブフィッティングのためのロバストな推定器を提案し、キュービドを用いて複雑な現実世界環境を有意に抽象化する。 NYU Depth v2データセットの結果、提案アルゴリズムは、乱雑な現実世界の3Dシーンレイアウトをうまく抽象化することを示した。
  論文  参考訳（メタデータ） (2024-03-15T16:37:43Z)
• Source-free Depth for Object Pop-out [113.24407776545652]
  現代の学習に基づく手法は、野生での推論による有望な深度マップを提供する。 本研究では,オブジェクトの3次元前の「ポップアウト」を用いて,オブジェクトセグメンテーションの深度推定モデルを適用する。 8つのデータセットに対する我々の実験は、性能と一般化性の両方の観点から、我々の方法の利点を一貫して示している。
  論文  参考訳（メタデータ） (2022-12-10T21:57:11Z)
• LocPoseNet: Robust Location Prior for Unseen Object Pose Estimation [69.70498875887611]
  LocPoseNetは、見えないオブジェクトに先立って、ロバストにロケーションを学習することができる。 提案手法は,LINEMOD と GenMOP において,既存の作業よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2022-11-29T15:21:34Z)
• POCO: Point Convolution for Surface Reconstruction [92.22371813519003]
  入射ニューラルネットワークは点雲からの表面再構成に成功している。 それらの多くは、オブジェクトやシーン全体を1つの潜伏ベクトルにエンコードするときにスケーラビリティの問題に直面します。 本稿では,各入力点における点雲畳み込みと潜在ベクトルの計算を提案する。
  論文  参考訳（メタデータ） (2022-01-05T21:26:18Z)
• RandomRooms: Unsupervised Pre-training from Synthetic Shapes and Randomized Layouts for 3D Object Detection [138.2892824662943]
  有望な解決策は、CADオブジェクトモデルで構成される合成データセットをよりよく利用して、実際のデータセットでの学習を促進することである。 最近の3次元事前学習の研究は、合成物体から他の実世界の応用へ学習した伝達特性が失敗することを示している。 本研究では,この目的を達成するためにRandomRoomsという新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-08-17T17:56:12Z)
• Scale Normalized Image Pyramids with AutoFocus for Object Detection [75.71320993452372]
  スケール正規化画像ピラミッド(SNIP)が生成され、人間の視覚と同様に、異なるスケールで固定されたサイズ範囲内のオブジェクトにのみ参加する。 本研究では,オブジェクトを含む可能性のある固定サイズのサブリージョンのみで動作する,効率的な空間サブサンプリング手法を提案する。 結果のアルゴリズムはAutoFocusと呼ばれ、SNIPを使用する場合の推論では2.5～5倍のスピードアップとなる。
  論文  参考訳（メタデータ） (2021-02-10T18:57:53Z)
• Meshing Point Clouds with Predicted Intrinsic-Extrinsic Ratio Guidance [30.863194319818223]
  既存のポイントへの接続情報のみを付加することで、インプットポイントクラウドを可能な限り活用することを提案する。 私たちの重要なイノベーションはローカル接続のサロゲートであり、本質的/外生的メトリクスを比較して計算します。 提案手法は, 詳細を保存できるだけでなく, あいまいな構造を扱えるだけでなく, 目に見えないカテゴリに対して強い一般化性を持つことを示す。
  論文  参考訳（メタデータ） (2020-07-17T22:36:00Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。