論文の概要: Deep Geometric Functional Maps: Robust Feature Learning for Shape
Correspondence
- arxiv url: http://arxiv.org/abs/2003.14286v1
- Date: Tue, 31 Mar 2020 15:20:17 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-18 00:22:39.481001
- Title: Deep Geometric Functional Maps: Robust Feature Learning for Shape
Correspondence
- Title(参考訳): 深層幾何関数マップ : 形状対応のためのロバスト特徴学習
- Authors: Nicolas Donati and Abhishek Sharma and Maks Ovsjanikov
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 31.840880075039944
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present a novel learning-based approach for computing correspondences
between non-rigid 3D shapes. Unlike previous methods that either require
extensive training data or operate on handcrafted input descriptors and thus
generalize poorly across diverse datasets, our approach is both accurate and
robust to changes in shape structure. Key to our method is a feature-extraction
network that learns directly from raw shape geometry, combined with a novel
regularized map extraction layer and loss, based on the functional map
representation. We demonstrate through extensive experiments in challenging
shape matching scenarios that our method can learn from less training data than
existing supervised approaches and generalizes significantly better than
current descriptor-based learning methods. Our source code is available at:
https://github.com/LIX-shape-analysis/GeomFmaps.
- Abstract(参考訳): 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。
広範なトレーニングデータを必要とする従来の手法と異なり、手作りの入力記述子で操作する手法は多様なデータセットに分散しにくいが、我々の手法は形状の変化に対して正確かつ堅牢である。
本手法の鍵は,生の形状から直接学習する特徴抽出ネットワークと,機能的地図表現に基づく新たな正規化地図抽出層と損失を組み合わせることである。
我々は,既存の教師付きアプローチよりも少ないトレーニングデータから学習できるような,形状マッチングシナリオに対する広範囲な実験を行い,現在の記述子ベースの学習方法よりもはるかに優れていることを実証する。
私たちのソースコードは、https://github.com/lix-shape- analysis/geomfmapsで利用可能です。
関連論文リスト
- Spectral Meets Spatial: Harmonising 3D Shape Matching and Interpolation [50.376243444909136]
本稿では,3次元形状の対応と形状の両面を統一的に予測する枠組みを提案する。
我々は、スペクトル領域と空間領域の両方の形状を地図化するために、奥行き関数写像フレームワークと古典的な曲面変形モデルを組み合わせる。
論文 参考訳(メタデータ) (2024-02-29T07:26:23Z) - Unsupervised Representation Learning for Diverse Deformable Shape
Collections [30.271818994854353]
本稿では,3次元表面メッシュを符号化し,操作するための新しい学習手法を提案する。
本手法は,変形可能な形状収集のための解釈可能な埋め込み空間を作成するために設計されている。
論文 参考訳(メタデータ) (2023-10-27T13:45:30Z) - Neural Semantic Surface Maps [52.61017226479506]
本稿では,2つの属とゼロの形状の地図を自動計算する手法を提案する。
提案手法は,手動のアノテーションや3Dトレーニングデータ要求を排除し,意味的表面-表面マップを生成する。
論文 参考訳(メタデータ) (2023-09-09T16:21:56Z) - Unsupervised Learning of Robust Spectral Shape Matching [12.740151710302397]
頑健な3次元形状マッチングのための新しい学習手法を提案する。
提案手法は, 深い関数型マップ上に構築され, 完全に教師なしの方法で訓練することができる。
論文 参考訳(メタデータ) (2023-04-27T02:12:47Z) - 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) - Bending Graphs: Hierarchical Shape Matching using Gated Optimal
Transport [80.64516377977183]
形状マッチングは、コンピュータグラフィックスと視覚のコミュニティにとって長い間研究されてきた問題である。
局所的なパッチレベル情報とグローバルな形状レベルの構造を組み込んだ階層型学習設計について検討する。
本研究では,非信頼ノード上の特徴を逐次更新し,形状間の一貫した一致を学習することで,新しい最適輸送解法を提案する。
論文 参考訳(メタデータ) (2022-02-03T11:41:46Z) - DPFM: Deep Partial Functional Maps [28.045544079256686]
我々は、潜在的に有意な部分性を有する非剛体形状間の密接な対応を計算することの問題を考察する。
部分的な非剛体形状対応を直接目的とする初等学習手法を提案する。
我々のアプローチは関数マップフレームワークを使用し、教師なしまたは教師なしの方法で訓練し、データから直接記述子を学習する。
論文 参考訳(メタデータ) (2021-10-19T14:05:37Z) - Deep Shells: Unsupervised Shape Correspondence with Optimal Transport [52.646396621449]
本稿では,3次元形状対応のための教師なし学習手法を提案する。
提案手法は,複数のデータセット上での最先端技術よりも大幅に改善されていることを示す。
論文 参考訳(メタデータ) (2020-10-28T22:24:07Z) - Neural Subdivision [58.97214948753937]
本稿では,データ駆動型粗粒度モデリングの新しいフレームワークであるNeural Subdivisionを紹介する。
すべてのローカルメッシュパッチで同じネットワーク重みのセットを最適化するため、特定の入力メッシュや固定属、カテゴリに制約されないアーキテクチャを提供します。
単一の高分解能メッシュでトレーニングしても,本手法は新規な形状に対して合理的な区分を生成する。
論文 参考訳(メタデータ) (2020-05-04T20:03:21Z)
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。