論文の概要: Geometric Attention for Prediction of Differential Properties in 3D
Point Clouds
- arxiv url: http://arxiv.org/abs/2007.02571v3
- Date: Thu, 6 Aug 2020 09:10:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-13 02:46:50.097322
- Title: Geometric Attention for Prediction of Differential Properties in 3D
Point Clouds
- Title(参考訳): 3次元点雲の微分特性予測のための幾何学的注意
- Authors: Albert Matveev, Alexey Artemov, Denis Zorin and Evgeny Burnaev
- Abstract要約: 本研究では,このような特性を学習可能な方法で提供できる幾何学的注意機構を提案する。
本研究では,正規ベクトルの予測と特徴線の抽出に関する実験により,提案手法の有用性を確立した。
- 参考スコア(独自算出の注目度): 32.68259334785767
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Estimation of differential geometric quantities in discrete 3D data
representations is one of the crucial steps in the geometry processing
pipeline. Specifically, estimating normals and sharp feature lines from raw
point cloud helps improve meshing quality and allows us to use more precise
surface reconstruction techniques. When designing a learnable approach to such
problems, the main difficulty is selecting neighborhoods in a point cloud and
incorporating geometric relations between the points. In this study, we present
a geometric attention mechanism that can provide such properties in a learnable
fashion. We establish the usefulness of the proposed technique with several
experiments on the prediction of normal vectors and the extraction of feature
lines.
- Abstract(参考訳): 離散3次元データ表現における微分幾何量の推定は、幾何処理パイプラインにおける重要なステップの一つである。
具体的には、原点雲から正常線と鋭い特徴線を推定することで、メッシュ品質を向上させることができ、より正確な表面再構成技術が利用できる。
このような問題に対する学習可能なアプローチを設計する場合、主な困難は点雲内の近傍を選択し、点間の幾何学的関係を取り込むことである。
本研究では,このような特性を学習可能な方法で提供できる幾何学的注意機構を提案する。
本研究では,正規ベクトルの予測と特徴線の抽出に関する実験により,提案手法の有用性を確立する。
関連論文リスト
- Adaptive Surface Normal Constraint for Geometric Estimation from
Monocular Images [59.00008891108098]
本稿では,幾何学的文脈を取り入れつつ,画像から深度や表面正規度などの測地を学習するための新しい手法を提案する。
提案手法は,入力画像に存在する幾何学的変動を符号化した幾何学的文脈を抽出し,幾何的制約と深度推定を相関付ける。
本手法は,画像から高品質な3次元形状を生成可能な密着型フレームワーク内での深度と表面の正規分布推定を統一する。
論文 参考訳(メタデータ) (2024-02-08T17:57:59Z) - Toward Mesh-Invariant 3D Generative Deep Learning with Geometric
Measures [2.167843405313757]
幾何学的データの取得を可能にする技術が開発されているため、3次元生成モデリングは加速している。
多くの生成学習アルゴリズムは、予測された形状と対象形状を比較する際に、各点間の対応を必要とする。
トレーニングフェーズにおいても,異なるパラメータ化に対処可能なアーキテクチャを提案する。
論文 参考訳(メタデータ) (2023-06-27T19:27:15Z) - Geometric Prior Based Deep Human Point Cloud Geometry Compression [82.26992688231283]
我々は、点雲の幾何学的冗長性除去に先立って、人間の幾何学的手法を利用する。
高分解能な人点雲を幾何学的先行と構造的偏差の組み合わせとして考えることができる。
提案フレームワークは,既存の学習ベースポイントクラウド圧縮手法を用いて,プレイ・アンド・プラグ方式で動作可能である。
論文 参考訳(メタデータ) (2023-05-02T10:35:20Z) - GeoUDF: Surface Reconstruction from 3D Point Clouds via Geometry-guided
Distance Representation [73.77505964222632]
スパース点雲から離散曲面を再構成する問題に対処する学習ベース手法であるGeoUDFを提案する。
具体的には、UDFのための幾何誘導学習法とその勾配推定を提案する。
予測されたUDFから三角形メッシュを抽出するために,カスタマイズされたエッジベースマーチングキューブモジュールを提案する。
論文 参考訳(メタデータ) (2022-11-30T06:02:01Z) - Curved Geometric Networks for Visual Anomaly Recognition [39.91252195360767]
データ分布の根底にある性質を理解するために潜伏埋め込みを学ぶことは、曲率ゼロのユークリッド空間でしばしば定式化される。
本研究では,データ中の異常やアウト・オブ・ディストリビューション・オブジェクトを解析するための曲線空間の利点について検討する。
論文 参考訳(メタデータ) (2022-08-02T01:15:39Z) - Fitting and recognition of geometric primitives in segmented 3D point
clouds using a localized voting procedure [1.8352113484137629]
投票手順によって各タイプの原始パラメータを初期推定できる点雲処理手法を提案する。
これらの推定値を用いることで、最適解の探索を次元的に還元された空間に局所化し、HT を文献で一般的に見られるものよりもより原始的に拡張することが効率的となる。
論文 参考訳(メタデータ) (2022-05-30T20:47:43Z) - Neural Convolutional Surfaces [59.172308741945336]
この研究は、大域的、粗い構造から、微細で局所的で、おそらく繰り返される幾何学を歪める形状の表現に関係している。
このアプローチは, 最先端技術よりも優れたニューラル形状圧縮を実現するとともに, 形状詳細の操作と伝達を可能にする。
論文 参考訳(メタデータ) (2022-04-05T15:40:11Z) - Differential Geometry in Neural Implicits [0.6198237241838558]
トライアングルメッシュの離散微分幾何とニューラル暗黙曲面の連続微分幾何を橋渡しするニューラル暗黙の枠組みを導入する。
ニューラルネットワークの微分可能特性と三角形メッシュの離散幾何学を利用して、ニューラルネットワークをニューラルネットワークの暗黙関数のゼロレベル集合として近似する。
論文 参考訳(メタデータ) (2022-01-23T13:40:45Z) - Learning Occupancy Function from Point Clouds for Surface Reconstruction [6.85316573653194]
表面から採取した点雲から3次元形状を復元するために, 入射関数に基づく表面再構成が長い間研究されてきた。
本稿では,スパース点雲から占有関数を学習する新しい手法を提案する。
論文 参考訳(メタデータ) (2020-10-22T02:07:29Z) - Pix2Surf: Learning Parametric 3D Surface Models of Objects from Images [64.53227129573293]
1つ以上の視点から見れば、新しいオブジェクトの3次元パラメトリック表面表現を学習する際の課題について検討する。
ビュー間で一貫した高品質なパラメトリックな3次元表面を生成できるニューラルネットワークを設計する。
提案手法は,共通対象カテゴリからの形状の公開データセットに基づいて,教師と訓練を行う。
論文 参考訳(メタデータ) (2020-08-18T06:33:40Z) - PUGeo-Net: A Geometry-centric Network for 3D Point Cloud Upsampling [103.09504572409449]
PUGeo-Netと呼ばれる新しいディープニューラルネットワークを用いた一様高密度点雲を生成する手法を提案する。
その幾何学中心の性質のおかげで、PUGeo-Netはシャープな特徴を持つCADモデルとリッチな幾何学的詳細を持つスキャンされたモデルの両方でうまく機能する。
論文 参考訳(メタデータ) (2020-02-24T14:13:29Z)
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。