論文の概要: PointGMM: a Neural GMM Network for Point Clouds

• arxiv url: http://arxiv.org/abs/2003.13326v1
• Date: Mon, 30 Mar 2020 10:34:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-18 06:23:09.397513
• Title: PointGMM: a Neural GMM Network for Point Clouds
• Title（参考訳）: PointGMM:ポイントクラウドのためのニューラルネットワークGMM
• Authors: Amir Hertz, Rana Hanocka, Raja Giryes, Daniel Cohen-Or
• Abstract要約: 点雲は3次元形状の一般的な表現であるが、形状の先行や非局所的な情報を考慮せずに特定のサンプリングを符号化する。 本稿では,形状クラスの特徴であるhGMMの生成を学習するニューラルネットワークであるPointGMMを提案する。 生成モデルとして、PointGMMは既存の形状間の整合性を生成できる有意義な潜在空間を学習することを示す。
• 参考スコア（独自算出の注目度）: 83.9404865744028
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Point clouds are a popular representation for 3D shapes. However, they encode a particular sampling without accounting for shape priors or non-local information. We advocate for the use of a hierarchical Gaussian mixture model (hGMM), which is a compact, adaptive and lightweight representation that probabilistically defines the underlying 3D surface. We present PointGMM, a neural network that learns to generate hGMMs which are characteristic of the shape class, and also coincide with the input point cloud. PointGMM is trained over a collection of shapes to learn a class-specific prior. The hierarchical representation has two main advantages: (i) coarse-to-fine learning, which avoids converging to poor local-minima; and (ii) (an unsupervised) consistent partitioning of the input shape. We show that as a generative model, PointGMM learns a meaningful latent space which enables generating consistent interpolations between existing shapes, as well as synthesizing novel shapes. We also present a novel framework for rigid registration using PointGMM, that learns to disentangle orientation from structure of an input shape.
• Abstract（参考訳）: 点雲は3d形状の一般的な表現である。 しかし、形状や非局所的な情報を考慮せずに、特定のサンプリングを符号化する。 我々は,階層型ガウス混合モデル(hGMM)の使用を提唱する。これはコンパクトで適応的で軽量な表現であり,基礎となる3次元曲面を確率的に定義する。 本稿では,形状クラスの特徴であるhGMMの生成を学習するニューラルネットワークであるPointGMMについて述べる。 PointGMMは、クラス固有の事前学習のために、形状のコレクションを通じてトレーニングされる。 階層表現には2つの大きな利点があります (i)貧弱な地域ミニマへの収束を回避し、細かな学習をすること。 (ii)入力形状の(教師なしの)一貫した分割 生成モデルとして、PointGMMは既存の形状間の一貫した補間や新しい形状の合成を可能にする有意義な潜在空間を学習する。 また,入力形状の構造から方向を離すことを学ぶpointgmmを用いた剛体登録のための新しい枠組みを提案する。

関連論文リスト

• Unsupervised Non-Rigid Point Cloud Matching through Large Vision Models [1.3030624795284795]
  非剛点クラウドマッチングのための学習ベースのフレームワークを提案する。 重要な洞察は、大きな視覚モデル(LVM)から派生した意味的特徴を統合することである。 本フレームワークは,局所的な地形間の自己相似性から生じるあいまいさに対処するために,意味的特徴に含まれる構造情報を効果的に活用する。
  論文  参考訳（メタデータ） (2024-08-16T07:02:19Z)
• Zero-Shot 3D Shape Correspondence [67.18775201037732]
  本稿では,3次元形状間の対応性を計算するためのゼロショット手法を提案する。 我々は、最近の基礎モデルの言語と視覚における例外的な推論能力を活用している。 提案手法は, 強い非等尺形状の間において, ゼロショット方式で高確率な結果をもたらす。
  論文  参考訳（メタデータ） (2023-06-05T21:14:23Z)
• Unsupervised Deep Probabilistic Approach for Partial Point Cloud Registration [74.53755415380171]
  ディープポイントクラウド登録手法は、部分的に重複し、ラベル付きデータに依存するという課題に直面している。 部分的な重なりを持つ点雲に対する教師なしの深い確率的登録フレームワークであるUDPRegを提案する。 UDPRegは3DMatch/3DLoMatchとModelNet/ModelLoNetベンチマークの競合性能を実現しています。
  論文  参考訳（メタデータ） (2023-03-23T14:18:06Z)
• 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)
• Robust Partial-to-Partial Point Cloud Registration in a Full Range [12.86951061306046]
  本稿では,全方向1の部分対部分点クラウド登録(PPR)のためのポーズ不変対応を推定するグラフマッチング・コンセンサス・ネットワーク(GMCNet)を提案する。 GMCNetは、個別に各点クラウドのポイント記述子を、クロスコンテクスト情報や、トレーニングのための接地真理対応を使わずに符号化する。
  論文  参考訳（メタデータ） (2021-11-30T17:56:24Z)
• Primal-Dual Mesh Convolutional Neural Networks [62.165239866312334]
  本稿では,グラフ・ニューラル・ネットワークの文献からトライアングル・メッシュへ引き起こされた原始双対のフレームワークを提案する。 提案手法は,3次元メッシュのエッジと顔の両方を入力として特徴付け,動的に集約する。 メッシュ単純化の文献から得られたツールを用いて、我々のアプローチに関する理論的知見を提供する。
  論文  参考訳（メタデータ） (2020-10-23T14:49:02Z)
• PointManifold: Using Manifold Learning for Point Cloud Classification [5.705680763604835]
  本稿では,グラフニューラルネットワークと多様体学習に基づく点雲分類手法を提案する。 本稿では,平面上の連続性を考慮し,点雲の特徴を埋め込むために,多様体学習アルゴリズムを用いる。 実験により、提案した点雲分類法は90.2%の平均クラス精度(mA)と93.2%の総合クラス精度(oA)が得られることが示された。
  論文  参考訳（メタデータ） (2020-10-14T16:28:19Z)
• DeepGMR: Learning Latent Gaussian Mixture Models for Registration [113.74060941036664]
  ポイントクラウドの登録は、3Dコンピュータビジョン、グラフィックス、ロボット工学の基本的な問題である。 本稿では,最初の学習ベース登録法であるDeep Gaussian Mixture Registration(DeepGMR)を紹介する。 提案手法は,最先端の幾何学的および学習的登録手法と比較して,良好な性能を示す。
  論文  参考訳（メタデータ） (2020-08-20T17:25:16Z)

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。