論文の概要: Hypernetwork approach to generating point clouds

• arxiv url: http://arxiv.org/abs/2003.00802v2
• Date: Tue, 13 Oct 2020 19:18:59 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-02 09:19:40.247606
• Title: Hypernetwork approach to generating point clouds
• Title（参考訳）: 点雲生成へのハイパーネットワークアプローチ
• Authors: Przemys{\l}aw Spurek, Sebastian Winczowski, Jacek Tabor, Maciej Zamorski, Maciej Zi\k{e}ba, Tomasz Trzci\'nski
• Abstract要約: 私たちは、ポイントを3D形状にマップするように訓練された特定のニューラルネットワークの重みを返すハイパーネットワークを構築します。 推定した事前分布からポイントバイポイントサンプリングを用いて、特定の3次元形状を生成することができる。 ハイパーネットワークは、現実的な3次元形状を再構築するために訓練されたオートエンコーダアーキテクチャに基づいているため、ターゲットネットワーク重みは3次元形状の表面のパラメトリゼーションと見なすことができる。
• 参考スコア（独自算出の注目度）: 18.67883065951206
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this work, we propose a novel method for generating 3D point clouds that leverage properties of hyper networks. Contrary to the existing methods that learn only the representation of a 3D object, our approach simultaneously finds a representation of the object and its 3D surface. The main idea of our HyperCloud method is to build a hyper network that returns weights of a particular neural network (target network) trained to map points from a uniform unit ball distribution into a 3D shape. As a consequence, a particular 3D shape can be generated using point-by-point sampling from the assumed prior distribution and transforming sampled points with the target network. Since the hyper network is based on an auto-encoder architecture trained to reconstruct realistic 3D shapes, the target network weights can be considered a parametrization of the surface of a 3D shape, and not a standard representation of point cloud usually returned by competitive approaches. The proposed architecture allows finding mesh-based representation of 3D objects in a generative manner while providing point clouds en pair in quality with the state-of-the-art methods.
• Abstract（参考訳）: 本研究では,ハイパーネットワークの特性を利用する3次元点雲を生成する新しい手法を提案する。 3Dオブジェクトの表現のみを学習する既存の手法とは対照的に,本手法ではオブジェクトとその3D表面の表現を同時に見つける。 当社のHyperCloudメソッドの主なアイデアは、均一な単位球分布から3D形状にポイントをマッピングするように訓練された特定のニューラルネットワーク(ターゲットネットワーク)の重みを返すハイパーネットワークを構築することです。 その結果、所定の3次元形状を、想定された事前分布からポイントバイポイントサンプリングして、対象ネットワークでサンプル点を変換することで生成することができる。 ハイパーネットワークは、リアルな3d形状を再構築するために訓練されたオートエンコーダアーキテクチャに基づいているため、ターゲットのネットワーク重みは、3d形状の表面のパラメトリゼーションと見なすことができ、通常は競合アプローチによって返されるポイントクラウドの標準的な表現ではない。 提案アーキテクチャにより、3Dオブジェクトのメッシュベースの表現を生成的に見つけることができ、高品質で最先端の手法と組み合わせてポイントクラウドを提供できる。

関連論文リスト

• LAM3D: Large Image-Point-Cloud Alignment Model for 3D Reconstruction from Single Image [64.94932577552458]
  大規模再構成モデルは、単一または複数入力画像から自動3Dコンテンツ生成の領域において大きな進歩を遂げている。 彼らの成功にもかかわらず、これらのモデルはしばしば幾何学的不正確な3Dメッシュを生成し、画像データからのみ3D形状を推論する固有の課題から生まれた。 生成した3Dメッシュの忠実度を高めるために3Dポイントクラウドデータを利用する新しいフレームワークであるLarge Image and Point Cloud Alignment Model (LAM3D)を導入する。
  論文  参考訳（メタデータ） (2024-05-24T15:09:12Z)
• Flattening-Net: Deep Regular 2D Representation for 3D Point Cloud Analysis [66.49788145564004]
  我々は、任意の幾何学と位相の不規則な3次元点雲を表現するために、Flattning-Netと呼ばれる教師なしのディープニューラルネットワークを提案する。 我々の手法は、現在の最先端の競合相手に対して好意的に機能する。
  論文  参考訳（メタデータ） (2022-12-17T15:05:25Z)
• Flow-based GAN for 3D Point Cloud Generation from a Single Image [16.04710129379503]
  本稿では,任意の解像度の点群をサンプリングするためのフローベース明示的生成モデルを継承する,ハイブリッドな明示的生成モデルを提案する。 大規模合成データセットShapeNetについて評価し,提案手法の優れた性能を示す実験結果を得た。
  論文  参考訳（メタデータ） (2022-10-08T17:58:20Z)
• Neural Correspondence Field for Object Pose Estimation [67.96767010122633]
  1枚のRGB画像から3次元モデルで剛体物体の6DoFポーズを推定する手法を提案する。 入力画像の画素で3次元オブジェクト座標を予測する古典的対応法とは異なり,提案手法はカメラフラストラムでサンプリングされた3次元クエリポイントで3次元オブジェクト座標を予測する。
  論文  参考訳（メタデータ） (2022-07-30T01:48:23Z)
• RBGNet: Ray-based Grouping for 3D Object Detection [104.98776095895641]
  本稿では,点雲からの正確な3次元物体検出のための投票型3次元検出器RBGNetフレームワークを提案する。 決定された光線群を用いて物体表面上の点方向の特徴を集約する。 ScanNet V2 と SUN RGB-D による最先端の3D 検出性能を実現する。
  論文  参考訳（メタデータ） (2022-04-05T14:42:57Z)
• HyperCube: Implicit Field Representations of Voxelized 3D Models [18.868266675878996]
  本稿では,3Dボクセルの直接処理を可能にするHyperCubeアーキテクチャを提案する。 ボクセル内から個々の3Dサンプルを処理するのではなく, 凸座標で表されるボクセル全体を入力できる。
  論文  参考訳（メタデータ） (2021-10-12T06:56:48Z)
• DeformerNet: A Deep Learning Approach to 3D Deformable Object Manipulation [5.733365759103406]
  本稿では,DeformerNetと呼ばれるディープニューラルネットワークを利用した3次元変形可能なオブジェクト操作手法を提案する。 状態表現として3Dポイントクラウドを明示的に使用し、3D機能を学ぶためにポイントクラウドに畳み込みニューラルネットワークを適用します。 DeformerNetは、一度エンドツーエンドでトレーニングを行った後、変形可能なオブジェクトの現在の点雲とターゲット点雲の形状を直接ロボットグリップパー位置の所望の変位にマッピングする。
  論文  参考訳（メタデータ） (2021-07-16T18:20:58Z)
• ParaNet: Deep Regular Representation for 3D Point Clouds [62.81379889095186]
  ParaNetは、3Dポイントクラウドを表現するための新しいエンドツーエンドのディープラーニングフレームワークである。 不規則な3D点雲を通常の2Dカラー画像に変換する。 多視点投影とボキセル化に基づく従来の正規表現法とは異なり、提案した表現は微分可能で可逆である。
  論文  参考訳（メタデータ） (2020-12-05T13:19:55Z)
• HyperFlow: Representing 3D Objects as Surfaces [19.980044265074298]
  本稿では,ハイパーネットを利用した新しい生成モデルを提案する。 我々は、競合するアプローチよりも質的な結果が得られる連続的なメッシュベースのオブジェクト表現を得る。
  論文  参考訳（メタデータ） (2020-06-15T19:18:02Z)
• PUGeo-Net: A Geometry-centric Network for 3D Point Cloud Upsampling [103.09504572409449]
  PUGeo-Netと呼ばれる新しいディープニューラルネットワークを用いた一様高密度点雲を生成する手法を提案する。 その幾何学中心の性質のおかげで、PUGeo-Netはシャープな特徴を持つCADモデルとリッチな幾何学的詳細を持つスキャンされたモデルの両方でうまく機能する。
  論文  参考訳（メタデータ） (2020-02-24T14:13:29Z)

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。