論文の概要: Cranial Implant Prediction using Low-Resolution 3D Shape Completion and
High-Resolution 2D Refinement
- arxiv url: http://arxiv.org/abs/2009.10769v3
- Date: Sun, 27 Sep 2020 23:19:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-15 23:09:01.981539
- Title: Cranial Implant Prediction using Low-Resolution 3D Shape Completion and
High-Resolution 2D Refinement
- Title（参考訳）: 低分解能3次元形状完了と高分解能2次元微細化による頭蓋内インプラントの予測
- Authors: Amirhossein Bayat, Suprosanna Shit, Adrian Kilian, J\"urgen T.
Liechtenstein, Jan S. Kirschke, Bjoern H. Menze
- Abstract要約: 2つの畳み込みからなる完全畳み込みネットワークを提案する。
最初のサブネットワークは、ダウンサンプリングされた欠陥頭蓋骨の形状を完成させるために設計されている。
第2のサブネットワークは、再構成された形状をスライス的に増幅する。
我々は3Dネットワークと2Dネットワークをエンドツーエンドで、階層的損失関数で訓練する。
- 参考スコア（独自算出の注目度）: 3.7939799826234375
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Designing of a cranial implant needs a 3D understanding of the complete skull
shape. Thus, taking a 2D approach is sub-optimal, since a 2D model lacks a
holistic 3D view of both the defective and healthy skulls. Further, loading the
whole 3D skull shapes at its original image resolution is not feasible in
commonly available GPUs. To mitigate these issues, we propose a fully
convolutional network composed of two subnetworks. The first subnetwork is
designed to complete the shape of the downsampled defective skull. The second
subnetwork upsamples the reconstructed shape slice-wise. We train the 3D and 2D
networks together end-to-end, with a hierarchical loss function. Our proposed
solution accurately predicts a high-resolution 3D implant in the challenge test
case in terms of dice-score and the Hausdorff distance.
- Abstract（参考訳）: 頭蓋骨インプラントの設計には、頭蓋骨の完全な形状を3Dで理解する必要がある。
したがって、2Dモデルでは、欠陥のある頭蓋骨と健康な頭蓋骨の全体像が欠如しているため、2Dアプローチは準最適である。
さらに、通常のgpuでは、元の解像度で3d頭蓋骨の形状全体をロードすることは不可能である。
これらの問題を緩和するため,我々は2つのサブネットワークからなる完全畳み込みネットワークを提案する。
最初のサブネットワークは、ダウンサンプリングされた欠陥頭蓋骨の形状を完成させるために設計されている。
第2のサブネットワークは、再構成された形状をスライス的に増幅する。
3dネットワークと2dネットワークを、階層的損失関数でエンドツーエンドに訓練する。
提案手法は, ディススコアとハウスドルフ距離の観点から, 高分解能3Dインプラントを精度良く予測する。
関連論文リスト
- High-fidelity 3D Human Digitization from Single 2K Resolution Images [16.29087820634057]
大規模な2K人間のデータセットを構築し、2K解像度画像から3次元人間のモデルを推定する2K2Kを提案する。
また, テクスチャマップ, 3Dジョイント, SMPLパラメータなど, 2,050個の人体モデルも提供する。
論文 参考訳（メタデータ） (2023-03-27T11:22:54Z) - Conjugate Product Graphs for Globally Optimal 2D-3D Shape Matching [12.740151710302397]
2次元輪郭と3次元メッシュの連続的および非厳密なマッチングを求める問題を考察する。
既存の解は退化解を避けるために非現実的な前提に大きく依存する。
本稿では,2次元輪郭と3次元形状の共役積グラフに基づく新しい2次元3次元形状マッチング形式を提案する。
論文 参考訳（メタデータ） (2022-11-21T15:41:28Z) - Beyond 3DMM: Learning to Capture High-fidelity 3D Face Shape [77.95154911528365]
3Dモーフィブルモデル(3DMM)の適合性は、その強力な3D先行性のため、顔解析に広く有用である。
以前に再建された3次元顔は、微細な形状が失われるため、視差の低下に悩まされていた。
本論文は, パーソナライズされた形状が対応する人物と同一に見えるよう, パーソナライズされた形状を捉えるための完全な解を提案する。
論文 参考訳（メタデータ） (2022-04-09T03:46:18Z) - Deep Hybrid Self-Prior for Full 3D Mesh Generation [57.78562932397173]
本稿では,深部ニューラルネットワークにおける2D-3Dのハイブリッドな自己優先性を利用して,幾何学的品質を著しく向上する手法を提案する。
特に,まず3次元自己優先型3次元畳み込みニューラルネットワークを用いて初期メッシュを生成し,次いで2次元紫外線アトラスに3次元情報と色情報をエンコードする。
本手法は,スパース入力から高品質な3次元テクスチャメッシュモデルを復元し,テクスチャ品質とテクスチャ品質の両面で最先端の手法より優れている。
論文 参考訳（メタデータ） (2021-08-18T07:44:21Z) - To The Point: Correspondence-driven monocular 3D category reconstruction [39.811816510186475]
To The Point (TTP) は、弱い監督から学んだ2Dから3D対応を用いて、単一の画像から3Dオブジェクトを再構成する手法である。
我々は、CNNによるカメラポーズと非剛性変形の回帰を置き換え、より正確な3D再構成を得る。
論文 参考訳（メタデータ） (2021-06-10T11:21:14Z) - FCOS3D: Fully Convolutional One-Stage Monocular 3D Object Detection [78.00922683083776]
一般的な2D検出器をこの3Dタスクで動作させることは簡単ではない。
本報告では,完全畳み込み型単段検出器を用いた手法を用いてこの問題を考察する。
私たちのソリューションは、NeurIPS 2020のnuScenes 3D検出チャレンジのすべてのビジョンのみの方法の中で1位を獲得します。
論文 参考訳（メタデータ） (2021-04-22T09:35:35Z) - 3D-to-2D Distillation for Indoor Scene Parsing [78.36781565047656]
大規模3次元データリポジトリから抽出した3次元特徴を有効活用し,RGB画像から抽出した2次元特徴を向上する手法を提案する。
まず,事前学習した3Dネットワークから3D知識を抽出して2Dネットワークを監督し,トレーニング中の2D特徴からシミュレーションされた3D特徴を学習する。
次に,2次元の正規化方式を設計し,2次元特徴と3次元特徴のキャリブレーションを行った。
第3に,非ペアの3dデータを用いたトレーニングのフレームワークを拡張するために,意味を意識した対向的トレーニングモデルを設計した。
論文 参考訳（メタデータ） (2021-04-06T02:22:24Z) - 3DBooSTeR: 3D Body Shape and Texture Recovery [76.91542440942189]
3DBooSTeRは、部分的な3Dスキャンからテクスチャ化された3Dボディメッシュを復元する新しい方法である。
提案手法は形状とテクスチャの完成を2つの逐次的なタスクに分解する。
論文 参考訳（メタデータ） (2020-10-23T21:07:59Z) - ComboNet: Combined 2D & 3D Architecture for Aorta Segmentation [0.0]
フル解像度でトレーニングすれば、ディープラーニングによる3Dセグメンテーションが、最高の精度を達成するための理想的な方法だ。
3Dセグメンテーションアプリケーションのほとんどは、完全な解像度ではなくサブサンプル入力を処理する。
Combonetは3つのサブネットワーク構造でエンドツーエンドで設計されている。
論文 参考訳（メタデータ） (2020-06-09T15:02:55Z) - 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。