論文の概要: SALD: Sign Agnostic Learning with Derivatives

• arxiv url: http://arxiv.org/abs/2006.05400v2
• Date: Sat, 3 Oct 2020 17:24:48 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-23 14:45:59.466700
• Title: SALD: Sign Agnostic Learning with Derivatives
• Title（参考訳）: SALD: デリバティブによるAgnostic Learningのサイン
• Authors: Matan Atzmon and Yaron Lipman
• Abstract要約: 本稿では,生データから直接形状の暗黙的ニューラル表現を学習するSALDを紹介する。 2つの挑戦的データセット上での形状空間学習におけるSALDの有効性を実証する。
• 参考スコア（独自算出の注目度）: 42.43016094317574
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning 3D geometry directly from raw data, such as point clouds, triangle soups, or unoriented meshes is still a challenging task that feeds many downstream computer vision and graphics applications. In this paper, we introduce SALD: a method for learning implicit neural representations of shapes directly from raw data. We generalize sign agnostic learning (SAL) to include derivatives: given an unsigned distance function to the input raw data, we advocate a novel sign agnostic regression loss, incorporating both pointwise values and gradients of the unsigned distance function. Optimizing this loss leads to a signed implicit function solution, the zero level set of which is a high quality and valid manifold approximation to the input 3D data. The motivation behind SALD is that incorporating derivatives in a regression loss leads to a lower sample complexity, and consequently better fitting. In addition, we prove that SAL enjoys a minimal length property in 2D, favoring minimal length solutions. More importantly, we are able to show that this property still holds for SALD, i.e., with derivatives included. We demonstrate the efficacy of SALD for shape space learning on two challenging datasets: ShapeNet that contains inconsistent orientation and non-manifold meshes, and D-Faust that contains raw 3D scans (triangle soups). On both these datasets, we present state-of-the-art results.
• Abstract（参考訳）: ポイントクラウドや三角形スープ、無指向メッシュなど、生のデータから直接3dジオメトリを学ぶことは、下流のコンピュータビジョンやグラフィックアプリケーションの多くを養う課題である。 本稿では,生データから直接形状の暗黙的な神経表現を学習する手法であるsaldを提案する。 入力された生データに対して符号なし距離関数が与えられたとき、新しい符号なし回帰損失を提唱し、符号なし距離関数の点値と勾配の両方を取り入れている。 この損失を最適化すると符号付き暗黙関数解となり、そのゼロレベル集合は入力3Dデータに対する高品質で有効な多様体近似となる。 SALDの背後にある動機は、回帰損失に誘導体を組み込むことでサンプルの複雑さが小さくなり、結果として適合性が良くなることである。 さらに、SALが2次元の最小長性を持ち、最小長解が好ましいことを証明した。 さらに重要なことは、この性質がまだSALD、すなわち微分を含むものであることを示すことができる。 不整合配向と非多様体メッシュを含むShapeNetと、生の3Dスキャン(三角形スープ)を含むD-Faustの2つの課題に対して、SALDの有効性を示す。 どちらのデータセットも、最先端の結果を示す。

関連論文リスト

• Enhancing Generalizability of Representation Learning for Data-Efficient 3D Scene Understanding [50.448520056844885]
  本研究では,実世界のパターンを持つ多様な合成シーンを生成可能なベイズネットワークを提案する。 一連の実験は、既存の最先端の事前学習手法に比べて、我々の手法が一貫した優位性を示す。
  論文  参考訳（メタデータ） (2024-06-17T07:43:53Z)
• Unsupervised Occupancy Learning from Sparse Point Cloud [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。 本稿では,ニューラルサイン付き距離関数の代わりに占有領域を推定する手法を提案する。 ベースラインに対する暗黙の形状推論を改善する能力と、合成データと実データを用いた最先端技術について強調する。
  論文  参考訳（メタデータ） (2024-04-03T14:05:39Z)
• 3D Adversarial Augmentations for Robust Out-of-Domain Predictions [115.74319739738571]
  ドメイン外データへの一般化の改善に注力する。 対象を逆向きに変形させるベクトルの集合を学習する。 本研究では,学習したサンプル非依存ベクトルをモデルトレーニング時に利用可能なオブジェクトに適用することにより,対数拡大を行う。
  論文  参考訳（メタデータ） (2023-08-29T17:58:55Z)
• Self-supervised Human Mesh Recovery with Cross-Representation Alignment [20.69546341109787]
  自己教師付きヒューマンメッシュリカバリ手法は、3Dアノテーション付きベンチマークデータセットの可用性と多様性が制限されているため、一般化性が低い。 頑健だがスパースな表現(2Dキーポイント)からの相補的情報を利用した相互表現アライメントを提案する。 この適応的相互表現アライメントは、偏差から明示的に学習し、相補的な情報(疎表現からの豊かさと密表現からの堅牢さ)をキャプチャする。
  論文  参考訳（メタデータ） (2022-09-10T04:47:20Z)
• 3PSDF: Three-Pole Signed Distance Function for Learning Surfaces with Arbitrary Topologies [18.609959464825636]
  3極符号距離関数(3PSDF)と呼ばれる新しい学習可能な暗黙表現を提案する。 簡単なフィールド・ツー・メッシュ変換をサポートしながら、任意のトポロジーで非水密な3D形状を表現できる。 ヌルラベルによる消失勾配を気にせずに3PSDFを効果的に学習するための学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-05-31T07:24:04Z)
• Learning-based Point Cloud Registration for 6D Object Pose Estimation in the Real World [55.7340077183072]
  我々は、ポイントクラウドデータからオブジェクトの6Dポーズを推定するタスクに取り組む。 この課題に対処する最近の学習ベースのアプローチは、合成データセットにおいて大きな成功を収めている。 これらの障害の原因を分析し、ソースとターゲットポイントの雲の特徴分布の違いに遡る。
  論文  参考訳（メタデータ） (2022-03-29T07:55:04Z)
• Rel3D: A Minimally Contrastive Benchmark for Grounding Spatial Relations in 3D [71.11034329713058]
  既存のデータセットには、大規模で高品質な3D地上真実情報がない。 Rel3Dは、空間関係を3Dでグラウンド化するための、最初の大規模で人間による注釈付きデータセットである。 我々は、データセットバイアスを減らすための新しいクラウドソーシング手法である、最小限のコントラストデータ収集を提案する。
  論文  参考訳（メタデータ） (2020-12-03T01:51:56Z)
• Implicit Functions in Feature Space for 3D Shape Reconstruction and Completion [53.885984328273686]
  Implicit Feature Networks (IF-Nets) は連続的な出力を提供し、複数のトポロジを扱える。 IF-NetsはShapeNetにおける3次元オブジェクト再構成における先行作業よりも明らかに優れており、より正確な3次元人間の再構成が得られる。
  論文  参考訳（メタデータ） (2020-03-03T11:14:29Z)

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。