論文の概要: Learning Implicit Functions for Topology-Varying Dense 3D Shape
Correspondence
- arxiv url: http://arxiv.org/abs/2010.12320v2
- Date: Mon, 26 Oct 2020 01:22:55 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-03 23:20:27.018592
- Title: Learning Implicit Functions for Topology-Varying Dense 3D Shape
Correspondence
- Title(参考訳): 位相可変3次元形状対応のための学習障害関数
- Authors: Feng Liu and Xiaoming Liu
- Abstract要約: 本研究の目的は, トポロジ変化物体の高密度な3次元形状対応を教師なしで学習することである。
我々の新しい暗黙関数は、各3次元点に対する部分埋め込みベクトルを生成する。
我々は,部分埋め込みから対応する3次元点への逆関数マッピングにより,密度の高い対応性を実現する。
- 参考スコア(独自算出の注目度): 21.93671761497348
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The goal of this paper is to learn dense 3D shape correspondence for
topology-varying objects in an unsupervised manner. Conventional implicit
functions estimate the occupancy of a 3D point given a shape latent code.
Instead, our novel implicit function produces a part embedding vector for each
3D point, which is assumed to be similar to its densely corresponded point in
another 3D shape of the same object category. Furthermore, we implement dense
correspondence through an inverse function mapping from the part embedding to a
corresponded 3D point. Both functions are jointly learned with several
effective loss functions to realize our assumption, together with the encoder
generating the shape latent code. During inference, if a user selects an
arbitrary point on the source shape, our algorithm can automatically generate a
confidence score indicating whether there is a correspondence on the target
shape, as well as the corresponding semantic point if there is one. Such a
mechanism inherently benefits man-made objects with different part
constitutions. The effectiveness of our approach is demonstrated through
unsupervised 3D semantic correspondence and shape segmentation.
- Abstract(参考訳): 本研究の目的は, トポロジ変化物体の高密度な3次元形状対応を教師なしで学習することである。
従来の暗黙関数は、3Dポイントの占有度を潜在符号として推定する。
代わりに、我々の新しい暗黙関数は、同じ対象圏の別の3次元形状において、その密に対応付けられた点に類似していると考えられる各3D点に対する部分埋め込みベクトルを生成する。
さらに,組込み部から対応する3次元点への逆関数マッピングにより,密接な対応を実現する。
いずれの関数も、複数の効果的な損失関数を併用して学習し、エンコーダが潜在符号を生成する。
推測中、ユーザがソース形状の任意の点を選択すると、アルゴリズムは、目標形状に対応しているかどうかを示す信頼度スコアと、それに対応する意味点を自動的に生成することができる。
このようなメカニズムは、本質的に異なる構成の人工物に利益をもたらす。
提案手法の有効性は,教師なし3次元意味対応と形状セグメンテーションによって実証される。
関連論文リスト
- DenseMatcher: Learning 3D Semantic Correspondence for Category-Level Manipulation from a Single Demo [22.659984212937907]
DenseMatcher(DenseMatcher)は、類似した構造を持つ線内オブジェクト間の3次元対応を計算できる手法である。
DenseMatcherは、以前の3Dマッチングベースラインを43.5%上回っている。
論文 参考訳(メタデータ) (2024-12-06T18:55:09Z) - Learning Implicit Functions for Dense 3D Shape Correspondence of Generic
Objects [21.93671761497348]
新規な暗黙関数は、部分埋め込み空間内の各3次元点を表す確率的埋め込みを生成する。
本研究では,部分埋め込みベクトルから対応する3次元点への逆関数マッピングにより,密度の高い対応性を実現する。
提案アルゴリズムは,対象形状の対応性を示す信頼スコアを自動的に生成する。
論文 参考訳(メタデータ) (2022-12-29T11:57:47Z) - Neural Correspondence Field for Object Pose Estimation [67.96767010122633]
1枚のRGB画像から3次元モデルで剛体物体の6DoFポーズを推定する手法を提案する。
入力画像の画素で3次元オブジェクト座標を予測する古典的対応法とは異なり,提案手法はカメラフラストラムでサンプリングされた3次元クエリポイントで3次元オブジェクト座標を予測する。
論文 参考訳(メタデータ) (2022-07-30T01:48:23Z) - Learning Canonical 3D Object Representation for Fine-Grained Recognition [77.33501114409036]
本研究では,1枚の画像から3次元空間における物体の変動を再現する微粒な物体認識のための新しいフレームワークを提案する。
我々は,物体を3次元形状とその外観の合成として表現し,カメラ視点の影響を排除した。
深部表現に3次元形状と外観を併用することにより,物体の識別表現を学習する。
論文 参考訳(メタデータ) (2021-08-10T12:19:34Z) - Learning 3D Dense Correspondence via Canonical Point Autoencoder [108.20735652143787]
同一カテゴリの3次元形状間の密接な対応を予測できる標準点オートエンコーダ(CPAE)を提案する。
オートエンコーダは、2つの重要な機能を実行する: (a) 任意に順序付けられた点雲を標準プリミティブに符号化し、 (b) プリミティブを元の入力インスタンス形状に復号する。
論文 参考訳(メタデータ) (2021-07-10T15:54:48Z) - Canonical 3D Deformer Maps: Unifying parametric and non-parametric
methods for dense weakly-supervised category reconstruction [79.98689027127855]
独立オブジェクトの2次元画像の集合から学習できる共通オブジェクトカテゴリの3次元形状の表現を提案する。
提案手法は, パラメトリック変形モデル, 非パラメトリック3次元再構成, 標準埋め込みの概念に基づく新しい手法で構築する。
顔、車、鳥の野生のデータセットを3Dで再現することで、最先端の成果が得られます。
論文 参考訳(メタデータ) (2020-08-28T15:44:05Z) - SeqXY2SeqZ: Structure Learning for 3D Shapes by Sequentially Predicting
1D Occupancy Segments From 2D Coordinates [61.04823927283092]
本稿では,各2次元位置における関数の出力が内部の線分列である2次元関数を用いて3次元形状を表現することを提案する。
本研究では,SeqXY2SeqZと呼ばれるセック2Seqモデルを用いて,2つの任意の軸に沿った2次元座標列から3つの軸に沿った1次元位置の列への写像を学習する手法を提案する。
実験の結果,SeqXY2SeqZは広く使用されているベンチマークで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) (2020-03-12T00:24:36Z) - Unsupervised Learning of Intrinsic Structural Representation Points [50.92621061405056]
3次元形状の学習構造は、コンピュータグラフィックスと幾何学処理の分野における根本的な問題である。
本稿では,3次元構造点の形で新しい構造表現を学習するための簡易かつ解釈不能な手法を提案する。
論文 参考訳(メタデータ) (2020-03-03T17:40:00Z)
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。