論文の概要: Neural Star Domain as Primitive Representation

• arxiv url: http://arxiv.org/abs/2010.11248v2
• Date: Thu, 12 Nov 2020 14:22:27 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-05 00:25:32.412683
• Title: Neural Star Domain as Primitive Representation
• Title（参考訳）: 原始表現としてのニューラルスタードメイン
• Authors: Yuki Kawana, Yusuke Mukuta, Tatsuya Harada
• Abstract要約: 本稿では、ニューラルスター領域(NSD)と呼ばれる新しい原始的表現を提案し、恒星領域の原始的形状を学習する。 NSDは、恒星領域の普遍的な近似器であり、擬似的かつ意味的なだけでなく、暗黙的かつ明示的な形状表現でもある。 提案手法は,高分解能メッシュサンプリングにおける画像再構成タスク,セマンティック機能,速度と品質において,既存の手法よりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 65.7313602687861
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reconstructing 3D objects from 2D images is a fundamental task in computer vision. Accurate structured reconstruction by parsimonious and semantic primitive representation further broadens its application. When reconstructing a target shape with multiple primitives, it is preferable that one can instantly access the union of basic properties of the shape such as collective volume and surface, treating the primitives as if they are one single shape. This becomes possible by primitive representation with unified implicit and explicit representations. However, primitive representations in current approaches do not satisfy all of the above requirements at the same time. To solve this problem, we propose a novel primitive representation named neural star domain (NSD) that learns primitive shapes in the star domain. We show that NSD is a universal approximator of the star domain and is not only parsimonious and semantic but also an implicit and explicit shape representation. We demonstrate that our approach outperforms existing methods in image reconstruction tasks, semantic capabilities, and speed and quality of sampling high-resolution meshes.
• Abstract（参考訳）: 3dオブジェクトを2dイメージから再構築することは、コンピュータビジョンの基本的なタスクである。 パーシモニアスおよびセマンティックプリミティブ表現による正確な構造化再構成は、その応用をさらに拡大する。 複数のプリミティブを持つ対象形状を再構築する場合、集合体積や表面といった形状の基本特性の結合に即座にアクセスすることができ、プリミティブを単一の形状のように扱うことが望ましい。 これは、暗黙的および明示的な表現を統一した原始表現によって可能となる。 しかし、現在のアプローチにおける原始表現は、上記の全ての要求を同時に満たさない。 この問題を解決するために,ニューラルスター領域(NSD)と呼ばれる新しい原始的表現を提案し,恒星領域の原始的形状を学習する。 NSDは、恒星領域の普遍近似であり、擬似的かつ意味的なだけでなく、暗黙的かつ明示的な形状表現でもあることを示す。 提案手法は,高分解能メッシュサンプリングにおける画像再構成タスク,セマンティック機能,速度と品質において,既存の手法よりも優れていることを示す。

関連論文リスト

• DeFormer: Integrating Transformers with Deformable Models for 3D Shape Abstraction from a Single Image [31.154786931081087]
  本稿では,パラメータ化デフォルマブルモデルと統合された新しいバイチャネルトランスフォーマアーキテクチャを提案し,プリミティブのグローバルおよび局所的な変形を同時に推定する。 DeFormerは、最先端技術よりもより良い再構築精度を実現し、一貫したセマンティック対応で可視化し、解釈性を向上させる。
  論文  参考訳（メタデータ） (2023-09-22T02:46:43Z)
• Neural Vector Fields: Implicit Representation by Explicit Learning [63.337294707047036]
  ニューラルベクトル場 (Neural Vector Fields, NVF) という新しい3次元表現法を提案する。 メッシュを直接操作するための明示的な学習プロセスを採用するだけでなく、符号なし距離関数(UDF)の暗黙的な表現も採用している。 提案手法は,まず表面への変位クエリを予測し,テキスト再構成として形状をモデル化する。
  論文  参考訳（メタデータ） (2023-03-08T02:36:09Z)
• Learnable Triangulation for Deep Learning-based 3D Reconstruction of Objects of Arbitrary Topology from Single RGB Images [12.693545159861857]
  モノクロ画像から3次元物体を再構成する深層強化学習手法を提案する。 提案手法は, 視覚的品質, 再構成精度, 計算時間において, 最先端技術よりも優れる。
  論文  参考訳（メタデータ） (2021-09-24T09:44:22Z)
• 3DIAS: 3D Shape Reconstruction with Implicit Algebraic Surfaces [45.18497913809082]
  原始的ベース表現は、主に単純な暗黙的プリミティブの集合によって3次元形状を近似する。 学習可能な係数がほとんどなく、より高度な幾何学的複素量を持つ原始曲面として、制約付き暗黙的代数曲面を提案する。 本手法は,教師なしの方法で3次元形状のセグメントを意味的に学習することができる。
  論文  参考訳（メタデータ） (2021-08-19T12:34:28Z)
• GENESIS-V2: Inferring Unordered Object Representations without Iterative Refinement [26.151968529063762]
  我々は、RNNや反復的精細化を使わずに、可変数のオブジェクト表現を推論できる新しいモデル GENESIS-V2 を開発した。 GENESIS-V2は、既存の合成データセット上で、監視されていない画像分割とオブジェクト中心のシーン生成の従来の方法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-04-20T14:59:27Z)
• Neural Parts: Learning Expressive 3D Shape Abstractions with Invertible Neural Networks [118.20778308823779]
  Invertible Neural Network (INN) を用いてプリミティブを定義する新しい3次元プリミティブ表現を提案する。 私たちのモデルは、部品レベルの監督なしに3Dオブジェクトを意味的に一貫した部品配置に解析することを学びます。
  論文  参考訳（メタデータ） (2021-03-18T17:59:31Z)
• ShaRF: Shape-conditioned Radiance Fields from a Single View [54.39347002226309]
  本稿では,単一の画像のみのオブジェクトの神経シーン表現を推定する手法を提案する。 この手法の核心は,対象物の幾何学的足場の推定である。 合成画像と実画像の両方において,提案手法の有効性を示す実験を行った。
  論文  参考訳（メタデータ） (2021-02-17T16:40:28Z)
• Neural Geometric Level of Detail: Real-time Rendering with Implicit 3D Shapes [77.6741486264257]
  本稿では,高忠実度ニューラルネットワークSDFのリアルタイムレンダリングを可能にする,効率的なニューラル表現を提案する。 我々の表現は、以前の作品に比べてレンダリング速度の点で2～3桁の効率であることを示す。
  論文  参考訳（メタデータ） (2021-01-26T18:50:22Z)
• Continuous Surface Embeddings [76.86259029442624]
  我々は、変形可能な対象カテゴリーにおける密接な対応を学習し、表現するタスクに焦点をあてる。 本稿では,高密度対応の新たな学習可能な画像ベース表現を提案する。 提案手法は,人間の身近なポーズ推定のための最先端手法と同等以上の性能を示すことを示す。
  論文  参考訳（メタデータ） (2020-11-24T22:52:15Z)

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。