論文の概要: MeshWalker: Deep Mesh Understanding by Random Walks
- arxiv url: http://arxiv.org/abs/2006.05353v3
- Date: Thu, 10 Dec 2020 15:39:51 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-23 14:46:16.169935
- Title: MeshWalker: Deep Mesh Understanding by Random Walks
- Title（参考訳）: MeshWalker: ランダムウォークによるディープメッシュ理解
- Authors: Alon Lahav, Ayellet Tal
- Abstract要約: コンピュータグラフィックスにおける最も一般的な3D形状(三角形メッシュ)の表現を見て、ディープラーニングでどのように活用できるかを尋ねる。
本稿では、メッシュから形状を直接学習する、まったく異なるアプローチであるMeshWalkerを提案する。
提案手法は,2つの基本形状解析タスクに対して,最先端の結果が得られることを示す。
- 参考スコア（独自算出の注目度）: 19.594977587417247
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Most attempts to represent 3D shapes for deep learning have focused on
volumetric grids, multi-view images and point clouds. In this paper we look at
the most popular representation of 3D shapes in computer graphics - a
triangular mesh - and ask how it can be utilized within deep learning. The few
attempts to answer this question propose to adapt convolutions & pooling to
suit Convolutional Neural Networks (CNNs). This paper proposes a very different
approach, termed MeshWalker, to learn the shape directly from a given mesh. The
key idea is to represent the mesh by random walks along the surface, which
"explore" the mesh's geometry and topology. Each walk is organized as a list of
vertices, which in some manner imposes regularity on the mesh. The walk is fed
into a Recurrent Neural Network (RNN) that "remembers" the history of the walk.
We show that our approach achieves state-of-the-art results for two fundamental
shape analysis tasks: shape classification and semantic segmentation.
Furthermore, even a very small number of examples suffices for learning. This
is highly important, since large datasets of meshes are difficult to acquire.
- Abstract（参考訳）: ディープラーニングのための3d形状を表現するほとんどの試みは、ボリュームグリッド、マルチビューイメージ、ポイントクラウドに焦点を当てている。
本稿では,コンピュータグラフィックスにおける最も一般的な3d形状表現である三角形メッシュについて考察し,ディープラーニングでどのように活用できるかを問う。
この質問に答えようとする数少ない試みは、畳み込みとプーリングを畳み込みニューラルネットワーク(CNN)に適合させることである。
本稿では,meshwalkerと呼ばれる,与えられたメッシュから直接形状を学習する手法を提案する。
重要なアイデアは、メッシュの幾何学とトポロジーを「展開」する、表面をランダムに歩くことでメッシュを表現することである。
各ウォークは頂点のリストとして整理され、何らかの方法でメッシュに規則性を課す。
ウォークはリカレントニューラルネットワーク(RNN)に入力され、ウォークの歴史を「記憶」する。
提案手法は,2つの基本形状解析課題である形状分類と意味的セグメンテーションに対して,最新の結果が得られることを示す。
さらに、ごく少数の例でさえ、学習に十分である。
メッシュの大きなデータセットは取得が難しいため、これは非常に重要です。
関連論文リスト
- DMesh: A Differentiable Mesh Representation [40.800084296073415]
DMeshは一般的な3次元三角形メッシュの微分可能表現である。
まず、重み付きデラウネー三角測量(WDT)に基づいて、領域をコンパクトにテセルレートする凸四面体(convex tetrahedra)の集合を得る。
我々は、WDTに基づいて、実際の表面に存在する顔の確率を微分可能な方法で定式化する。
論文 参考訳（メタデータ） (2024-04-20T18:52:51Z) - E(3)-Equivariant Mesh Neural Networks [16.158762988735322]
三角形メッシュは3次元オブジェクトを表現するために広く使われている。
近年の多くの研究は、3Dメッシュ上での幾何学的深層学習の必要性に対処している。
E(n)-同変グラフニューラルネットワーク(EGNN)の方程式を拡張し、メッシュフェイス情報を組み込む。
結果として得られるアーキテクチャであるEMNN(Equivariant Mesh Neural Network)は、メッシュタスクにおいて、他のより複雑な同変手法よりも優れている。
論文 参考訳（メタデータ） (2024-02-07T13:21:41Z) - CircNet: Meshing 3D Point Clouds with Circumcenter Detection [67.23307214942696]
3次元点雲を三角形メッシュに再構成することは、計算幾何学と表面再構成の重要な問題である。
我々は,点雲三角測量を実現するために,周辺を検知するディープニューラルネットワークを導入する。
我々は水密面と開面面の両方の顕著なデータセットに対して本手法の有効性を検証した。
論文 参考訳（メタデータ） (2023-01-23T03:32:57Z) - NeuralMeshing: Differentiable Meshing of Implicit Neural Representations [63.18340058854517]
ニューラルな暗黙表現から表面メッシュを抽出する新しい微分可能なメッシュアルゴリズムを提案する。
本手法は,通常のテッセルレーションパターンと,既存の手法に比べて三角形面の少ないメッシュを生成する。
論文 参考訳（メタデータ） (2022-10-05T16:52:25Z) - N-Cloth: Predicting 3D Cloth Deformation with Mesh-Based Networks [69.94313958962165]
本稿では,3次元布の変形予測のためのメッシュに基づく新しい学習手法(N-Cloth)を提案する。
グラフ畳み込みを用いて、メッシュ空間の非線形性を低減するために、布とメッシュを潜在空間に変換する。
我々のアプローチは、SMPL人間、非SMPL人間、または剛体に対応する様々な物体で、最大100ドルの三角形とシーンを持つ複雑な布メッシュを扱うことができる。
論文 参考訳（メタデータ） (2021-12-13T03:13:11Z) - Mesh Convolution with Continuous Filters for 3D Surface Parsing [101.25796935464648]
本稿では、3次元トライアングルメッシュから効果的な幾何学的特徴学習のための一連のモジュラー演算を提案する。
メッシュ畳み込みは球面調和を正規直交基底として利用し、連続畳み込みフィルタを生成する。
さらに,PicassoNet++という3次元表面の知覚解析のための新しい階層型ニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2021-12-03T09:16:49Z) - CloudWalker: Random walks for 3D point cloud shape analysis [20.11028799145883]
ランダムウォークを用いた3次元形状学習手法であるCloudWalkerを提案する。
提案手法は,2つの3次元形状解析タスク(分類と検索)に対して,最先端の結果を得る。
論文 参考訳（メタデータ） (2021-12-02T08:24:01Z) - LatticeNet: Fast Spatio-Temporal Point Cloud Segmentation Using
Permutohedral Lattices [27.048998326468688]
深層畳み込みニューラルネットワーク(CNN)は、画像のセグメンテーションに際し、優れた性能を示している。
本稿では,3次元セマンティックセグメンテーションの新たなアプローチであるLatticeNetを提案する。
本稿では,本手法が最先端性能を実現する複数のデータセット上での3次元セグメント化の結果について述べる。
論文 参考訳（メタデータ） (2021-08-09T10:17:27Z) - AttWalk: Attentive Cross-Walks for Deep Mesh Analysis [19.12196187222047]
ランダムウォークによるメッシュ表現は、ディープラーニングに有用であることが示されている。
本稿では,複数の歩行が使用されているという事実を活かした新しい歩行注意機構を提案する。
論文 参考訳（メタデータ） (2021-04-23T13:02:39Z) - 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) - Deep Geometric Texture Synthesis [83.9404865744028]
幾何学的テクスチャを合成するための新しい枠組みを提案する。
単一の参照3Dモデルの局所的な近傍からテクスチャ統計を学習する。
我々のネットワークはメッシュ頂点を任意の方向に変位させ、幾何学的テクスチャの合成を可能にする。
論文 参考訳（メタデータ） (2020-06-30T19:36:38Z)
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。