Fugu-MT 論文翻訳(概要): Geometric Attention for Prediction of Differential Properties in 3D Point Clouds

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

Geometry Distributions [51.4061133324376]
本稿では,分布として幾何学をモデル化する新しい幾何学的データ表現を提案する。提案手法では,新しいネットワークアーキテクチャを用いた拡散モデルを用いて表面点分布の学習を行う。本研究では,多種多様な対象に対して質的かつ定量的に表現を評価し,その有効性を実証した。
論文参考訳（メタデータ） (2024-11-25T04:06:48Z)
ND-SDF: Learning Normal Deflection Fields for High-Fidelity Indoor Reconstruction [50.07671826433922]
微妙な幾何を同時に復元し、異なる特徴を持つ領域をまたいだ滑らかさを保つことは自明ではない。そこで我々は,ND-SDFを提案する。ND-SDFは,通常のシーンとそれ以前のシーンの角偏差を表す正規偏向場を学習する。本手法は, 壁面や床面などのスムーズなテクスチャ構造を得るだけでなく, 複雑な構造の幾何学的詳細も保存する。
論文参考訳（メタデータ） (2024-08-22T17:59:01Z)
Neural varifolds: an aggregate representation for quantifying the geometry of point clouds [2.2474167740753557]
本稿では,新しい表面形状特徴化,すなわち点雲のニューラルバリアフォールド表現を提案する。変数表現は、多様体に基づく判別を通じて点雲の表面幾何学を定量化する。提案したニューラルバリアフォールドは, 形状マッチング, 少数ショット形状分類, 形状再構成の3つの異なるタスクで評価される。
論文参考訳（メタデータ） (2024-07-05T20:08:16Z)
ParaPoint: Learning Global Free-Boundary Surface Parameterization of 3D Point Clouds [52.03819676074455]
ParaPointは、グローバルな自由境界面パラメータ化を実現するための教師なしのニューラルネットワークパイプラインである。この研究は、グローバルマッピングと自由境界の両方を追求するニューラルポイントクラウドパラメータ化を調査する最初の試みである。
論文参考訳（メタデータ） (2024-03-15T14:35:05Z)
Adaptive Surface Normal Constraint for Geometric Estimation from Monocular Images [56.86175251327466]
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)
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)
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)
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。