論文の概要: COALESCE: Component Assembly by Learning to Synthesize Connections

• arxiv url: http://arxiv.org/abs/2008.01936v2
• Date: Sun, 8 Nov 2020 08:11:55 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-02 18:04:47.396728
• Title: COALESCE: Component Assembly by Learning to Synthesize Connections
• Title（参考訳）: COALESCE: 接続を合成する学習によるコンポーネントアセンブリ
• Authors: Kangxue Yin, Zhiqin Chen, Siddhartha Chaudhuri, Matthew Fisher, Vladimir G. Kim, Hao Zhang
• Abstract要約: コンポーネントベースの形状組み立てのための最初のデータ駆動型フレームワークであるCOALESCEを紹介する。 データから学習したジョイント合成のステップを使用して、ギャップを埋めて、自然で可塑性な部分のジョイントに到達します。 提案手法は, 3次元形状合成のためのベースライン深部モデルを含む従来の手法よりも優れていた。
• 参考スコア（独自算出の注目度）: 45.120186220205994
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce COALESCE, the first data-driven framework for component-based shape assembly which employs deep learning to synthesize part connections. To handle geometric and topological mismatches between parts, we remove the mismatched portions via erosion, and rely on a joint synthesis step, which is learned from data, to fill the gap and arrive at a natural and plausible part joint. Given a set of input parts extracted from different objects, COALESCE automatically aligns them and synthesizes plausible joints to connect the parts into a coherent 3D object represented by a mesh. The joint synthesis network, designed to focus on joint regions, reconstructs the surface between the parts by predicting an implicit shape representation that agrees with existing parts, while generating a smooth and topologically meaningful connection. We employ test-time optimization to further ensure that the synthesized joint region closely aligns with the input parts to create realistic component assemblies from diverse input parts. We demonstrate that our method significantly outperforms prior approaches including baseline deep models for 3D shape synthesis, as well as state-of-the-art methods for shape completion.
• Abstract（参考訳）: 本稿では,コンポーネントベースのシェープアセンブリのための最初のデータ駆動フレームワークであるcollesceを紹介する。 部品間の幾何的および位相的ミスマッチを処理するために,浸食により不整合部を取り除き,データから学習した関節合成のステップに頼って,隙間を埋め,自然かつ可塑性な接合部に到達する。 異なる物体から抽出された入力部品のセットが与えられた後、COALESCEは自動的にそれらを整列し、可塑性ジョイントを合成し、これらの部品をメッシュで表されるコヒーレントな3Dオブジェクトに接続する。 関節領域に焦点を合わせるように設計された結合合成ネットワークは、既存の部分と一致する暗黙の形状表現を予測し、滑らかで位相的に意味のある接続を生成することによって、部品間の表面を再構築する。 テスト時間最適化により,合成されたジョイント領域が入力部と密に整合していることを確認し,多種多様な入力部から現実的なコンポーネントアセンブリを作成する。 本手法は,3次元形状合成のためのベースライン深層モデルや,形状補完のための最先端手法など,先行手法を大幅に上回っている。

関連論文リスト

• ShapeMatcher: Self-Supervised Joint Shape Canonicalization, Segmentation, Retrieval and Deformation [47.94499636697971]
  本稿では,関節形状の正準化,分節化,検索,変形を行うための自己教師型学習フレームワークであるShapeMatcherを提案する。 ShapeMakerの重要な洞察は、標準化、セグメンテーション、検索、変形という4つの高関連プロセスの同時トレーニングである。
  論文  参考訳（メタデータ） (2023-11-18T15:44:57Z)
• Geometrically Consistent Partial Shape Matching [50.29468769172704]
  3次元形状の対応を見つけることは、コンピュータビジョンとグラフィックスにおいて重要な問題である。 しばしば無視されるが、整合幾何学の重要な性質は整合性である。 本稿では,新しい整数型線形計画部分形状整合式を提案する。
  論文  参考訳（メタデータ） (2023-09-10T12:21:42Z)
• Building Rearticulable Models for Arbitrary 3D Objects from 4D Point Clouds [28.330364666426345]
  任意の数の部品を含む日常的な人工物に対して再計算可能なモデルを構築する。 本手法では, 異なる対象部位, どの部位が他の部位に接続されているか, および各部位を接続する接合部の性質を同定する。
  論文  参考訳（メタデータ） (2023-06-01T17:59:21Z)
• Attention-based Part Assembly for 3D Volumetric Shape Modeling [0.0]
  本稿では、注意に基づく部分集合のためのVoxAttention Networkアーキテクチャを提案する。 実験結果から,本手法は部分関係を考慮した3次元形状モデリングタスクにおいて,最先端の手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-04-17T16:53:27Z)
• Category-Level Multi-Part Multi-Joint 3D Shape Assembly [36.74814134087434]
  グラフ表現学習の2段階からなる階層的なグラフ学習手法を提案する。 部分グラフは、所望の形状構造を構築するための入力として部分ジオメトリを取る。 ジョイントレベルグラフは、部分ジョイント情報を使用し、整合性や整合性に重点を置いている。
  論文  参考訳（メタデータ） (2023-03-10T19:02:26Z)
• ANISE: Assembly-based Neural Implicit Surface rEconstruction [12.745433575962842]
  本稿では,部分的な観測から3次元形状を再構成するANISEについて述べる。 形状は神経暗黙の関数の集合として定式化され、それぞれが異なる部分のインスタンスを表す。 本研究では,部品表現を暗黙の関数に復号化して再構成を行う場合,画像とスパース点の雲から最先端の部品認識再構成結果が得られることを示す。
  論文  参考訳（メタデータ） (2022-05-27T00:01:40Z)
• The Shape Part Slot Machine: Contact-based Reasoning for Generating 3D Shapes from Parts [33.924785333723115]
  接触型推論により既存の部品から新しい3次元形状を組み立てる手法を提案する。 本手法は,各形状を2つの形状部品間の接触領域であるスロットのグラフとして表現する。 提案手法は, 既存のモデリング手法よりも品質, 多様性, 構造的複雑さの点で優れる形状を生成することを実証する。
  論文  参考訳（メタデータ） (2021-12-01T15:54:54Z)
• Learning to Segment Human Body Parts with Synthetically Trained Deep Convolutional Networks [58.0240970093372]
  本稿では,合成データのみを用いて学習した深部畳み込みニューラルネットワークに基づく人体部分分割のための新しい枠組みを提案する。 提案手法は,人体部品の実際の注釈付きデータを用いてモデルを訓練することなく,最先端の結果が得られる。
  論文  参考訳（メタデータ） (2021-02-02T12:26:50Z)
• Learning Unsupervised Hierarchical Part Decomposition of 3D Objects from a Single RGB Image [102.44347847154867]
  プリミティブの集合として3次元オブジェクトの幾何を共同で復元できる新しい定式化を提案する。 我々のモデルは、プリミティブのバイナリツリーの形で、様々なオブジェクトの高レベルな構造的分解を復元する。 ShapeNet と D-FAUST のデータセットを用いた実験により,部品の組織化を考慮すれば3次元形状の推論が容易になることが示された。
  論文  参考訳（メタデータ） (2020-04-02T17:58:05Z)
• Monocular Human Pose and Shape Reconstruction using Part Differentiable Rendering [53.16864661460889]
  近年の研究では、3次元基底真理によって教師されるディープニューラルネットワークを介してパラメトリックモデルを直接推定する回帰に基づく手法が成功している。 本稿では,ボディセグメンテーションを重要な監視対象として紹介する。 部分分割による再構成を改善するために,部分分割により部分ベースモデルを制御可能な部分レベル微分可能部を提案する。
  論文  参考訳（メタデータ） (2020-03-24T14:25:46Z)

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。