論文の概要: Analytic Marching: An Analytic Meshing Solution from Deep Implicit
Surface Networks
- arxiv url: http://arxiv.org/abs/2002.06597v1
- Date: Sun, 16 Feb 2020 15:36:19 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-31 18:15:10.386439
- Title: Analytic Marching: An Analytic Meshing Solution from Deep Implicit
Surface Networks
- Title(参考訳): 解析的マーチング:深部暗黙的表面ネットワークによる解析的メッシュ化ソリューション
- Authors: Jiabao Lei and Kui Jia
- Abstract要約: 深層学習表面再構成の新たな分野における暗黙の関数による表面メッシュの学習問題について検討する。
学習した暗黙関数からメッシュ化を実現するため、既存の手法ではマーチングキューブのデファクト標準アルゴリズムを採用している。
そこで本研究では,解析セル間で並列化可能な解析マーチングアルゴリズムを提案する。
- 参考スコア(独自算出の注目度): 41.53235997155387
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper studies a problem of learning surface mesh via implicit functions
in an emerging field of deep learning surface reconstruction, where implicit
functions are popularly implemented as multi-layer perceptrons (MLPs) with
rectified linear units (ReLU). To achieve meshing from learned implicit
functions, existing methods adopt the de-facto standard algorithm of marching
cubes; while promising, they suffer from loss of precision learned in the MLPs,
due to the discretization nature of marching cubes. Motivated by the knowledge
that a ReLU based MLP partitions its input space into a number of linear
regions, we identify from these regions analytic cells and analytic faces that
are associated with zero-level isosurface of the implicit function, and
characterize the theoretical conditions under which the identified analytic
faces are guaranteed to connect and form a closed, piecewise planar surface.
Based on our theorem, we propose a naturally parallelizable algorithm of
analytic marching, which marches among analytic cells to exactly recover the
mesh captured by a learned MLP. Experiments on deep learning mesh
reconstruction verify the advantages of our algorithm over existing ones.
- Abstract(参考訳): 本稿では,多層パーセプトロン (MLP) として正規化線形単位 (ReLU) を用いて暗黙関数を実装した深層学習表面再構成における暗黙関数による表面メッシュの学習問題について考察する。
学習された暗黙関数からのメッシュ化を実現するために、既存の手法ではマーチングキューブのデファクト標準アルゴリズムを採用している。
reluベースのmlpが入力空間を多くの線形領域に分割するという知識に動機づけられ、これらの領域から解析セルと解析面が暗黙関数のゼロレベル等面に関連付けられ、特定された解析面が連結され、平面面を形成することが保証される理論的条件を特徴付ける。
本定理に基づき,解析セル間で並列化可能な解析マーチングアルゴリズムを提案し,学習したMLPが捉えたメッシュを正確に復元する。
ディープラーニングメッシュ再構築の実験は、既存のものよりもアルゴリズムの利点を検証する。
関連論文リスト
- Understanding Incremental Learning of Gradient Descent: A Fine-grained
Analysis of Matrix Sensing [74.2952487120137]
GD(Gradient Descent)は、機械学習モデルにおいて、良い一般化に対する暗黙のバイアスをもたらすと考えられている。
本稿では,行列センシング問題に対するGDのダイナミクスを詳細に解析する。
論文 参考訳(メタデータ) (2023-01-27T02:30:51Z) - Deep Linear Networks for Matrix Completion -- An Infinite Depth Limit [10.64241024049424]
深層線形ネットワーク (DLN) は、過度にパラメータ化された学習アーキテクチャの勾配に基づく最適化における暗黙の正規化のためのモデルである。
厳密な解析と数値による行列完成のための幾何幾何学とトレーニングの関連について検討する。
暗黙の正則化は高状態空間体積に対する偏りの結果である。
論文 参考訳(メタデータ) (2022-10-22T17:03:10Z) - Adaptive neighborhood Metric learning [184.95321334661898]
適応的近傍距離距離学習(ANML)という新しい距離距離距離距離距離距離学習アルゴリズムを提案する。
ANMLは線形埋め込みと深層埋め込みの両方を学ぶのに使うことができる。
本手法で提案するemphlog-exp平均関数は,深層学習手法をレビューするための新たな視点を与える。
論文 参考訳(メタデータ) (2022-01-20T17:26:37Z) - On the existence of global minima and convergence analyses for gradient
descent methods in the training of deep neural networks [3.198144010381572]
フィードフォワード深層ReLU ANNを任意に多数の隠蔽層で研究する。
我々は,そのようなANNの訓練において,ランダムなGD最適化手法のリスクを収束させることを証明した。
また、勾配流微分方程式の解も研究する。
論文 参考訳(メタデータ) (2021-12-17T18:55:40Z) - Learning and Meshing from Deep Implicit Surface Networks Using an
Efficient Implementation of Analytic Marching [44.593867904951175]
ゼロレベル集合が基底表面を捕捉する暗黙の場関数から表面メッシュを復元する問題について検討する。
既存の手法は従来のメッシュアルゴリズムに依存しているが、将来性はあるものの、暗黙のサーフェスネットワークで学んだ精度の喪失に悩まされている。
本稿では,解析セル間を行ない,暗黙のサーフェスネットワークによって捕捉されたメッシュを正確に回復する解析マーチング法を提案する。
論文 参考訳(メタデータ) (2021-06-18T10:06:28Z) - Deep Implicit Moving Least-Squares Functions for 3D Reconstruction [23.8586965588835]
本研究では, 離散点集合を平滑曲面に変換し, よく知られた暗黙的移動最小二乗曲面(IMLS)の定式化を提案する。
IMLS表面生成を深層ニューラルネットワークに組み込んで、点集合の柔軟性と暗黙曲面の高品質の両方を継承する。
3Dオブジェクト再構築の実験では、IMLSNetsが再構築品質と計算効率の点で最先端の学習ベースの方法を上回ることを実証しています。
論文 参考訳(メタデータ) (2021-03-23T02:26:07Z) - Phase space learning with neural networks [0.0]
本研究では、部分微分方程式(PDE)を解く投影型手法の非線形一般化としてのオートエンコーダニューラルネットワークを提案する。
提案したディープラーニングアーキテクチャは、中間再構成なしに非常に少ない潜在空間に完全に統合することでPDEのダイナミクスを生成でき、その後、潜在解を元の空間に復号することができる。
単一経路のサンプルデータから動的システムの位相空間のグローバルな特性を学習するために、適切に正規化されたニューラルネットワークの信頼性と、目に見えない分岐を予測する能力を示す。
論文 参考訳(メタデータ) (2020-06-22T20:28:07Z) - FLAMBE: Structural Complexity and Representation Learning of Low Rank
MDPs [53.710405006523274]
この研究は、表現学習の問題に焦点を当てている。
基礎となる(未知の)力学が低階遷移行列に対応するという仮定の下で、表現学習問題と特定の非線形行列分解問題との関連性を示す。
低階遷移モデルにおけるRLの探索と表現学習を行うFLAMBEを開発した。
論文 参考訳(メタデータ) (2020-06-18T19:11:18Z) - Local Propagation in Constraint-based Neural Network [77.37829055999238]
ニューラルネットワークアーキテクチャの制約に基づく表現について検討する。
本稿では,いわゆるアーキテクチャ制約を満たすのに適した簡単な最適化手法について検討する。
論文 参考訳(メタデータ) (2020-02-18T16:47:38Z)
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。