論文の概要: Recovering Geometric Information with Learned Texture Perturbations

• arxiv url: http://arxiv.org/abs/2001.07253v1
• Date: Mon, 20 Jan 2020 21:15:13 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-08 05:31:08.100156
• Title: Recovering Geometric Information with Learned Texture Perturbations
• Title（参考訳）: 学習したテクスチャの摂動による幾何学情報の復元
• Authors: Jane Wu, Yongxu Jin, Zhenglin Geng, Hui Zhou, Ronald Fedkiw
• Abstract要約: 正規化は、ニューラルネットワークをトレーニングする際の過度な適合を避けるために使用される。 これにより、到達可能な詳細レベルが低減され、高周波情報の取得が妨げられる。 我々は、高周波情報を手続き的に低周波データに埋め込む一般的な戦略を提案する。
• 参考スコア（独自算出の注目度）: 7.658383062833574
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Regularization is used to avoid overfitting when training a neural network; unfortunately, this reduces the attainable level of detail hindering the ability to capture high-frequency information present in the training data. Even though various approaches may be used to re-introduce high-frequency detail, it typically does not match the training data and is often not time coherent. In the case of network inferred cloth, these sentiments manifest themselves via either a lack of detailed wrinkles or unnaturally appearing and/or time incoherent surrogate wrinkles. Thus, we propose a general strategy whereby high-frequency information is procedurally embedded into low-frequency data so that when the latter is smeared out by the network the former still retains its high-frequency detail. We illustrate this approach by learning texture coordinates which when smeared do not in turn smear out the high-frequency detail in the texture itself but merely smoothly distort it. Notably, we prescribe perturbed texture coordinates that are subsequently used to correct the over-smoothed appearance of inferred cloth, and correcting the appearance from multiple camera views naturally recovers lost geometric information.
• Abstract（参考訳）: 正規化は、ニューラルネットワークのトレーニング時に過剰フィッティングを避けるために使用されるが、残念ながら、トレーニングデータに存在する高周波情報をキャプチャする能力を妨げる詳細レベルが減少する。 高周波の詳細を再導入するために様々なアプローチが用いられるが、通常はトレーニングデータと一致せず、時間的一貫性がないことが多い。 ネットワーク推論された布の場合、これらの感情は、細かなしわの欠如または不自然な出現または時間的非一貫性のしわによって表される。 そこで,本稿では,高周波情報を低周波データに手続き的に埋め込むことで,後者がネットワークに見出されると,その高周波の詳細をそのまま保持する一般戦略を提案する。 本研究では,スメアしたときのテクスチャ座標を学習することで,スメアがテクスチャ自体の高周波のディテールをスメアするのでなく,単に滑らかに歪ませるだけであることを示す。 特筆すべきは,布の過剰な外観を補正するために使用される摂動テクスチャ座標を規定し,複数のカメラからの外観を補正することで,紛失した幾何情報を自然に復元する。

関連論文リスト

• Frequency-regularized Neural Representation Method for Sparse-view Tomographic Reconstruction [8.45338755060592]
  自己教師付きスパース・ビュー・トモグラフィ再構成のための正規化ニューラル減衰/活性場(Freq-NAF)を提案する。 Freq-NAFは、ニューラルネットワーク入力の可視周波数帯域を直接制御して、周波数正規化による過度な適合を緩和する。
  論文  参考訳（メタデータ） (2024-09-22T11:19:38Z)
• Leveraging Neural Radiance Fields for Uncertainty-Aware Visual Localization [56.95046107046027]
  我々は,Neural Radiance Fields (NeRF) を用いてシーン座標回帰のためのトレーニングサンプルを生成することを提案する。 レンダリングにおけるNeRFの効率にもかかわらず、レンダリングされたデータの多くはアーティファクトによって汚染されるか、最小限の情報ゲインしか含まない。
  論文  参考訳（メタデータ） (2023-10-10T20:11:13Z)
• Indoor Scene Reconstruction with Fine-Grained Details Using Hybrid Representation and Normal Prior Enhancement [50.56517624931987]
  多視点RGB画像からの室内シーンの再構成は、平坦領域とテクスチャレス領域の共存により困難である。 近年の手法では、予測された表面正規化によって支援されたニューラルラジアンス場を利用してシーン形状を復元している。 本研究は, 上記の制限に対処して, 高忠実度表面を細かな詳細で再構築することを目的とする。
  論文  参考訳（メタデータ） (2023-09-14T12:05:29Z)
• Understanding Reconstruction Attacks with the Neural Tangent Kernel and Dataset Distillation [110.61853418925219]
  我々は、データセット再構築攻撃のより強力なバージョンを構築し、無限の幅で設定されたエンペントリアルトレーニングを確実に回復する方法を示す。 理論的にも経験的にも再構成された画像は、データセットの「外部」に傾向を示す。 これらのリコンストラクション攻撃は, テクストデータセット蒸留において, 再構成画像上で再トレーニングを行い, 高い予測精度を得ることができる。
  論文  参考訳（メタデータ） (2023-02-02T21:41:59Z)
• Transfer Learning using Spectral Convolutional Autoencoders on Semi-Regular Surface Meshes [0.966840768820136]
  本稿では,新しいスペクトルCoSMA(Convolutional Semi-Regular Mesh Autoencoder)ネットワークを提案する。 トレーニング中に提示されない表面を再構成し、表面のパッチの変形挙動を一般化する。 未知の形状の転送学習誤差は、データ上で直接学習されたモデルよりも40%低い。
  論文  参考訳（メタデータ） (2022-12-12T10:13:21Z)
• Deep Double Descent via Smooth Interpolation [2.141079906482723]
  我々は、各トレーニングポイントに局所的な入力変数に対する損失ランドスケープw.r.t.を研究することにより、トレーニングデータの適合性の鋭さを定量化する。 以上の結果から,入力空間における損失のシャープネスは,モデル・アンド・エポシカルな2重降下に追随することが明らかとなった。 小さな補間モデルはクリーンデータとノイズデータの両方に強く適合するが、大きな補間モデルは既存の直観とは対照的にスムーズなロスランドスケープを表現している。
  論文  参考訳（メタデータ） (2022-09-21T02:46:13Z)
• Last Layer Re-Training is Sufficient for Robustness to Spurious Correlations [51.552870594221865]
  最後の層再トレーニングは,突発的な相関ベンチマークにおいて,最先端の手法と一致するか,あるいは性能的に優れていることを示す。 また,大規模な画像ネット学習モデルにおける最終層の再トレーニングにより,背景情報やテクスチャ情報への依存を著しく低減できることを示す。
  論文  参考訳（メタデータ） (2022-04-06T16:55:41Z)
• Learning Topology from Synthetic Data for Unsupervised Depth Completion [66.26787962258346]
  画像から高密度深度マップとスパース深度測定を推定する手法を提案する。 我々は,疎点雲と密度の高い自然形状の関係を学習し,その画像を用いて予測深度マップの検証を行う。
  論文  参考訳（メタデータ） (2021-06-06T00:21:12Z)
• Fidelity Estimation Improves Noisy-Image Classification with Pretrained Networks [12.814135905559992]
  本稿では,事前学習した分類器に適用可能な手法を提案する。 提案手法では,特徴抽出器の内部表現に融合した忠実度マップの推定値を利用する。 オラクルの忠実度マップを用いた場合, ノイズや復元画像のトレーニングにおいて, 完全に再トレーニングされた手法よりも優れていた。
  論文  参考訳（メタデータ） (2021-06-01T17:58:32Z)
• CutPaste: Self-Supervised Learning for Anomaly Detection and Localization [59.719925639875036]
  通常のトレーニングデータのみを用いて異常検知器を構築するためのフレームワークを提案する。 まず、自己教師付き深層表現を学習し、学習した表現の上に生成的1クラス分類器を構築する。 MVTec異常検出データセットに関する実証研究は,提案アルゴリズムが実世界の様々な欠陥を検出可能であることを実証している。
  論文  参考訳（メタデータ） (2021-04-08T19:04:55Z)

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。