論文の概要: Curriculum DeepSDF

• arxiv url: http://arxiv.org/abs/2003.08593v3
• Date: Thu, 16 Jul 2020 21:18:48 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-22 04:25:28.002703
• Title: Curriculum DeepSDF
• Title（参考訳）: カリキュラムDeepSDF
• Authors: Yueqi Duan, Haidong Zhu, He Wang, Li Yi, Ram Nevatia, Leonidas J. Guibas
• Abstract要約: 本研究では,連続署名距離関数(SDF)の形状,すなわちCurriculum DeepSDFを学習するための「形状カリキュラム」を設計する。 人間の学習の仕方にインスパイアされたCurriculum DeepSDFは、次の2つの基準(表面精度とサンプル難易度)に従って、学習の順に学習タスクを編成する。 実験結果から,DeepSDFと同じトレーニングデータ,トレーニングエポック,ネットワークアーキテクチャを用いて,慎重に設計したカリキュラムにより,より優れた形状復元が可能であることが示唆された。
• 参考スコア（独自算出の注目度）: 85.03886488645873
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: When learning to sketch, beginners start with simple and flexible shapes, and then gradually strive for more complex and accurate ones in the subsequent training sessions. In this paper, we design a "shape curriculum" for learning continuous Signed Distance Function (SDF) on shapes, namely Curriculum DeepSDF. Inspired by how humans learn, Curriculum DeepSDF organizes the learning task in ascending order of difficulty according to the following two criteria: surface accuracy and sample difficulty. The former considers stringency in supervising with ground truth, while the latter regards the weights of hard training samples near complex geometry and fine structure. More specifically, Curriculum DeepSDF learns to reconstruct coarse shapes at first, and then gradually increases the accuracy and focuses more on complex local details. Experimental results show that a carefully-designed curriculum leads to significantly better shape reconstructions with the same training data, training epochs and network architecture as DeepSDF. We believe that the application of shape curricula can benefit the training process of a wide variety of 3D shape representation learning methods.
• Abstract（参考訳）: スケッチを学ぶとき、初心者はシンプルで柔軟な形から始め、その後、トレーニングセッションでより複雑で正確なものへと徐々に取り組みます。 本稿では,連続符号距離関数(SDF)の形状,すなわちCurriculum DeepSDFを学習するための「形状カリキュラム」を設計する。 人間の学習方法にインスパイアされたカリキュラムdeepsdfは、表面精度とサンプル難易度という2つの基準に従って、難易度順に学習タスクを編成する。 前者は基底的真理を監督するのに対し、後者は複雑な幾何学と微細構造の近くでのハードトレーニングサンプルの重みを考える。 より具体的には、カリキュラムdeepsdfはまず粗い形状を再構築し、徐々に精度を高め、より複雑な局所的な詳細に集中する。 実験結果から,DeepSDFと同じトレーニングデータ,トレーニングエポック,ネットワークアーキテクチャを用いて,慎重に設計したカリキュラムが,より優れた形状復元を実現することが示された。 形状曲線の応用は,多種多様な3次元形状表現学習手法の学習プロセスに有用であると考えられる。

関連論文リスト

• Few-Shot Unsupervised Implicit Neural Shape Representation Learning with Spatial Adversaries [8.732260277121547]
  Inlicit Neural Representationsは、複雑なデータモダリティをキャプチャする強力なフレームワークとして注目されている。 3次元形状表現の領域内では、ニューラルネットワーク符号距離関数(SDF)は複雑な形状幾何を忠実に符号化する顕著な可能性を示している。
  論文  参考訳（メタデータ） (2024-08-27T14:54:33Z)
• Explorable Mesh Deformation Subspaces from Unstructured Generative Models [53.23510438769862]
  3次元形状の深い生成モデルは、しばしば潜在的な変動を探索するために使用できる連続的な潜伏空間を特徴付ける。 本研究では,手軽に探索可能な2次元探索空間から事前学習された生成モデルのサブ空間へのマッピングを構築することで,与えられたランドマーク形状の集合間のバリエーションを探索する手法を提案する。
  論文  参考訳（メタデータ） (2023-10-11T18:53:57Z)
• Cut-and-Approximate: 3D Shape Reconstruction from Planar Cross-sections with Deep Reinforcement Learning [0.0]
  我々は,この課題を解決するための最初の3次元形状再構成ネットワークについて,その知識を最大限に活用する。 本手法は,強化学習アルゴリズムを適用し,その形状を効果的に解析する方法を学習する。
  論文  参考訳（メタデータ） (2022-10-22T17:48:12Z)
• PatchRD: Detail-Preserving Shape Completion by Learning Patch Retrieval and Deformation [59.70430570779819]
  本稿では,3次元形状の欠落領域の幾何学的詳細化に焦点を当てたデータ駆動型形状補完手法を提案する。 私たちの重要な洞察は、部分的な入力から完全な欠落したリージョンへのパッチのコピーとデフォームです。 部分的な入力からパッチを抽出することで繰り返しパターンを活用し、ニューラルネットワークを用いてグローバルな構造的先行点を学習し、検索と変形の手順を導出する。
  論文  参考訳（メタデータ） (2022-07-24T18:59:09Z)
• Cloud Sphere: A 3D Shape Representation via Progressive Deformation [21.216503294296317]
  本論文は形状形成過程から特異な情報を発見することを目的としている。 プログレッシブな変形に基づくオートエンコーダを提案する。 実験の結果,提案したPDAEは高忠実度で3次元形状を復元できることがわかった。
  論文  参考訳（メタデータ） (2021-12-21T12:10:23Z)
• Self Context and Shape Prior for Sensorless Freehand 3D Ultrasound Reconstruction [61.62191904755521]
  3DフリーハンドUSは、幅広い範囲とフリーフォームスキャンを提供することで、この問題に対処することを約束している。 既存のディープラーニングベースの手法は、スキルシーケンスの基本ケースのみに焦点を当てている。 複雑なスキルシーケンスを考慮したセンサレスフリーハンドUS再構成手法を提案する。
  論文  参考訳（メタデータ） (2021-07-31T16:06:50Z)
• Unsupervised Medical Image Alignment with Curriculum Learning [16.72680081620203]
  変形可能な3次元医用画像登録作業において、畳み込みニューラルネットワークを訓練するための異なるカリキュラム学習方法を検討する。 基礎となる最先端のディープラーニングモデルを用いた実験により,カリキュラム学習が従来の学習よりも優れた結果をもたらすことを示す。
  論文  参考訳（メタデータ） (2021-02-20T20:26:01Z)
• Training Data Generating Networks: Shape Reconstruction via Bi-level Optimization [52.17872739634213]
  単一画像からの3次元形状再構成のための新しい3次元形状表現を提案する。 ネットワークをトレーニングしてトレーニングセットを生成し、別の学習アルゴリズムに入力して形状を定義します。
  論文  参考訳（メタデータ） (2020-10-16T09:52:13Z)
• Semi-Siamese Training for Shallow Face Learning [78.7386209619276]
  セミ・シームズ・トレーニング(SST)という新しいトレーニング手法を導入する。 一対のセミ・シームズネットワークが前方伝播構造を構成し、トレーニング損失を更新ギャラリーキューで計算する。 提案手法は外部依存を伴わずに開発されており,既存の損失関数やネットワークアーキテクチャと柔軟に統合することができる。
  論文  参考訳（メタデータ） (2020-07-16T15:20:04Z)
• Deep Geometric Functional Maps: Robust Feature Learning for Shape Correspondence [31.840880075039944]
  非剛体3次元形状間の対応性を計算するための新しい学習手法を提案する。 提案手法の鍵となるのは, 生形状から直接学習する特徴抽出ネットワークである。
  論文  参考訳（メタデータ） (2020-03-31T15:20:17Z)

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。