論文の概要: Primal-Dual Mesh Convolutional Neural Networks

• arxiv url: http://arxiv.org/abs/2010.12455v1
• Date: Fri, 23 Oct 2020 14:49:02 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-03 22:25:48.753231
• Title: Primal-Dual Mesh Convolutional Neural Networks
• Title（参考訳）: 初歩的メッシュ畳み込みニューラルネットワーク
• Authors: Francesco Milano, Antonio Loquercio, Antoni Rosinol, Davide Scaramuzza, Luca Carlone
• Abstract要約: 本稿では,グラフ・ニューラル・ネットワークの文献からトライアングル・メッシュへ引き起こされた原始双対のフレームワークを提案する。 提案手法は,3次元メッシュのエッジと顔の両方を入力として特徴付け,動的に集約する。 メッシュ単純化の文献から得られたツールを用いて、我々のアプローチに関する理論的知見を提供する。
• 参考スコア（独自算出の注目度）: 62.165239866312334
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent works in geometric deep learning have introduced neural networks that allow performing inference tasks on three-dimensional geometric data by defining convolution, and sometimes pooling, operations on triangle meshes. These methods, however, either consider the input mesh as a graph, and do not exploit specific geometric properties of meshes for feature aggregation and downsampling, or are specialized for meshes, but rely on a rigid definition of convolution that does not properly capture the local topology of the mesh. We propose a method that combines the advantages of both types of approaches, while addressing their limitations: we extend a primal-dual framework drawn from the graph-neural-network literature to triangle meshes, and define convolutions on two types of graphs constructed from an input mesh. Our method takes features for both edges and faces of a 3D mesh as input and dynamically aggregates them using an attention mechanism. At the same time, we introduce a pooling operation with a precise geometric interpretation, that allows handling variations in the mesh connectivity by clustering mesh faces in a task-driven fashion. We provide theoretical insights of our approach using tools from the mesh-simplification literature. In addition, we validate experimentally our method in the tasks of shape classification and shape segmentation, where we obtain comparable or superior performance to the state of the art.
• Abstract（参考訳）: 幾何深層学習における最近の研究は、畳み込み(convolution)を定義し、時には三角メッシュ上の操作をプールすることで三次元幾何学データ上で推論タスクを実行できるニューラルネットワークを導入した。 しかしながら、これらの方法は、入力メッシュをグラフとみなすか、特徴集約やダウンサンプリングのためにメッシュの特定の幾何学的性質を活用しないか、メッシュに特化しているが、メッシュの局所トポロジーを適切に捉えない畳み込みの厳格な定義に依存している。 グラフニューラル・ネットワークの文献から引き出された原始双対のフレームワークを三角形メッシュに拡張し、入力メッシュから構築された2種類のグラフ上の畳み込みを定義する。 本手法は,3次元メッシュのエッジと顔の特徴を入力として取り,アテンション機構を用いて動的に集約する。 同時に,メッシュ顔のクラスタリングによるメッシュ接続のばらつきをタスク駆動方式で処理可能にする,正確な幾何学的解釈によるプーリング操作を導入する。 メッシュ単純化文献のツールを用いて,アプローチに関する理論的洞察を提供する。 さらに, 形状分類と形状分割のタスクにおいて, 本手法を実験的に検証し, 最先端技術に匹敵する性能を得る。

関連論文リスト

• SpaceMesh: A Continuous Representation for Learning Manifold Surface Meshes [61.110517195874074]
  本稿では,ニューラルネットワークの出力として,複雑な接続性を持つ多様体多角形メッシュを直接生成する手法を提案する。 私たちの重要なイノベーションは、各メッシュで連続的な遅延接続空間を定義することです。 アプリケーションでは、このアプローチは生成モデルから高品質な出力を得るだけでなく、メッシュ修復のような挑戦的な幾何処理タスクを直接学習することを可能にする。
  論文  参考訳（メタデータ） (2024-09-30T17:59:03Z)
• NeuralMeshing: Differentiable Meshing of Implicit Neural Representations [63.18340058854517]
  ニューラルな暗黙表現から表面メッシュを抽出する新しい微分可能なメッシュアルゴリズムを提案する。 本手法は,通常のテッセルレーションパターンと,既存の手法に比べて三角形面の少ないメッシュを生成する。
  論文  参考訳（メタデータ） (2022-10-05T16:52:25Z)
• Laplacian2Mesh: Laplacian-Based Mesh Understanding [4.808061174740482]
  我々は3次元トライアングルメッシュのための新しいフレキシブル畳み込みニューラルネットワーク(CNN)モデルであるLaplacian2Meshを紹介した。 メッシュプーリングはラプラシアンの多空間変換によりネットワークの受容場を拡張するために適用される。 3Dメッシュに適用されたさまざまな学習タスクの実験は、Laplacian2Meshの有効性と効率を実証している。
  論文  参考訳（メタデータ） (2022-02-01T10:10:13Z)
• NeuroMorph: Unsupervised Shape Interpolation and Correspondence in One Go [109.88509362837475]
  入力2つの3次元形状を考慮したニューラルネットワークアーキテクチャであるNeuroMorphを提案する。 NeuroMorphはそれらの間のスムーズかつポイントツーポイント対応を生成する。 異なる対象カテゴリの非等尺性ペアを含む、さまざまな入力形状に対してうまく機能する。
  論文  参考訳（メタデータ） (2021-06-17T12:25:44Z)
• DualConv: Dual Mesh Convolutional Networks for Shape Correspondence [44.94765770516059]
  畳み込みニューラルネットワークは2d画像で非常に成功し、3dボクセルデータを扱うために容易に拡張されている。 本稿では,これらのネットワークを三角メッシュの二重面表現に拡張する方法を検討する。 実験により,二重メッシュの近傍サイズの正則性を明示的に活用した畳み込みモデルの構築により,従来の手法と同等以上の形状表現を学習できることを実証した。
  論文  参考訳（メタデータ） (2021-03-23T11:22:47Z)
• TSGCNet: Discriminative Geometric Feature Learning with Two-Stream GraphConvolutional Network for 3D Dental Model Segmentation [141.2690520327948]
  2流グラフ畳み込みネットワーク(TSGCNet)を提案し、異なる幾何学的特性から多視点情報を学ぶ。 3次元口腔内スキャナーで得られた歯科モデルのリアルタイムデータセットを用いてTSGCNetの評価を行った。
  論文  参考訳（メタデータ） (2020-12-26T08:02:56Z)
• Neural Subdivision [58.97214948753937]
  本稿では,データ駆動型粗粒度モデリングの新しいフレームワークであるNeural Subdivisionを紹介する。 すべてのローカルメッシュパッチで同じネットワーク重みのセットを最適化するため、特定の入力メッシュや固定属、カテゴリに制約されないアーキテクチャを提供します。 単一の高分解能メッシュでトレーニングしても,本手法は新規な形状に対して合理的な区分を生成する。
  論文  参考訳（メタデータ） (2020-05-04T20:03:21Z)

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。