論文の概要: Correspondence Learning via Linearly-invariant Embedding

• arxiv url: http://arxiv.org/abs/2010.13136v1
• Date: Sun, 25 Oct 2020 15:31:53 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-03 04:29:41.858435
• Title: Correspondence Learning via Linearly-invariant Embedding
• Title（参考訳）: 線形不変埋め込みによる対応学習
• Authors: Riccardo Marin, Marie-Julie Rakotosaona, Simone Melzi, Maks Ovsjanikov
• Abstract要約: データからベースを学習することで、堅牢性が向上し、挑戦的な設定において精度が向上することを示す。 提案手法は,非剛性な3Dポイントクラウド対応アプリケーションに挑戦する上で,最先端の成果を達成できることを実証する。
• 参考スコア（独自算出の注目度）: 40.07515336866026
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we propose a fully differentiable pipeline for estimating accurate dense correspondences between 3D point clouds. The proposed pipeline is an extension and a generalization of the functional maps framework. However, instead of using the Laplace-Beltrami eigenfunctions as done in virtually all previous works in this domain, we demonstrate that learning the basis from data can both improve robustness and lead to better accuracy in challenging settings. We interpret the basis as a learned embedding into a higher dimensional space. Following the functional map paradigm the optimal transformation in this embedding space must be linear and we propose a separate architecture aimed at estimating the transformation by learning optimal descriptor functions. This leads to the first end-to-end trainable functional map-based correspondence approach in which both the basis and the descriptors are learned from data. Interestingly, we also observe that learning a \emph{canonical} embedding leads to worse results, suggesting that leaving an extra linear degree of freedom to the embedding network gives it more robustness, thereby also shedding light onto the success of previous methods. Finally, we demonstrate that our approach achieves state-of-the-art results in challenging non-rigid 3D point cloud correspondence applications.
• Abstract（参考訳）: 本稿では,3次元点雲間の正確な密度対応を推定するための,完全微分可能なパイプラインを提案する。 提案されたパイプラインは、関数マップフレームワークの拡張と一般化である。 しかし、この領域のすべての過去の研究で実現されたLaplace-Beltrami固有関数の代わりに、データから基礎を学習することで堅牢性が向上し、挑戦的な設定において精度が向上することを示した。 基礎を高次元空間への学習的な埋め込みとして解釈する。 関数写像のパラダイムに従って、埋め込み空間における最適変換は線形でなければならず、最適な記述子関数を学習して変換を推定することを目的とした別のアーキテクチャを提案する。 これにより、ベースとディスクリプタの両方がデータから学習される、エンドツーエンドのトレーニング可能な機能マップベースの対応アプローチが生まれる。 興味深いことに、emph{canonical}埋め込みの学習はより悪い結果をもたらすので、さらに線形な自由度を埋め込みネットワークに残すことでより強固になり、それによって以前の方法の成功に光を当てることを示唆している。 最後に,本手法は,非剛性3Dポイントクラウド対応アプリケーションに挑戦する上で,最先端の成果をもたらすことを示す。

関連論文リスト

• Memory-Scalable and Simplified Functional Map Learning [32.088809326158554]
  本稿では,メモリスケーラブルで効率的な関数型マップ学習パイプラインを提案する。 関数マップの構造を利用することで、メモリにポイントワイズマップを格納することなく、同じ結果が得られる可能性を提供します。 このアルゴリズムを後処理のステップで使用する多くの関数型マップ学習法とは異なり、列車時に簡単に利用できる。
  論文  参考訳（メタデータ） (2024-03-30T12:01:04Z)
• IPoD: Implicit Field Learning with Point Diffusion for Generalizable 3D Object Reconstruction from Single RGB-D Images [50.4538089115248]
  シングルビューRGB-D画像からの3Dオブジェクトの汎用化は依然として難しい課題である。 本稿では,暗黙の場学習と点拡散を調和させる新しい手法IPoDを提案する。 CO3D-v2データセットによる実験では、IPoDの優位性が確認され、Fスコアは7.8%、チャンファー距離は28.6%向上した。
  論文  参考訳（メタデータ） (2024-03-30T07:17:37Z)
• Neural Gradient Learning and Optimization for Oriented Point Normal Estimation [53.611206368815125]
  本研究では,3次元点雲から勾配ベクトルを一貫した向きで学習し,正規推定を行うためのディープラーニング手法を提案する。 局所平面幾何に基づいて角距離場を学習し、粗勾配ベクトルを洗練する。 本手法は,局所特徴記述の精度と能力の一般化を図りながら,グローバル勾配近似を効率的に行う。
  論文  参考訳（メタデータ） (2023-09-17T08:35:11Z)
• Neural Jacobian Fields: Learning Intrinsic Mappings of Arbitrary Meshes [38.157373733083894]
  本稿では,ニューラルネットワークによる任意のメッシュの断片的線形マッピングを正確に予測するフレームワークを提案する。 このフレームワークは、グローバルな形状記述子に条件付けされた単一点の行列の予測に神経的な側面を還元することに基づいている。 個々のメッシュの固有の勾配領域で操作することで、フレームワークは高度に正確なマッピングを予測できる。
  論文  参考訳（メタデータ） (2022-05-05T19:51:13Z)
• Learning Smooth Neural Functions via Lipschitz Regularization [92.42667575719048]
  ニューラルフィールドにおけるスムーズな潜伏空間を促進するために設計された新しい正規化を導入する。 従来のリプシッツ正規化ネットワークと比較して、我々のアルゴリズムは高速で、4行のコードで実装できる。
  論文  参考訳（メタデータ） (2022-02-16T21:24:54Z)
• Multiway Non-rigid Point Cloud Registration via Learned Functional Map Synchronization [105.14877281665011]
  我々は、点雲上に定義された学習関数に関する地図を同期させることにより、複数の非剛体形状を登録する新しい方法であるSyNoRiMを提案する。 提案手法は,登録精度において最先端の性能を達成できることを実証する。
  論文  参考訳（メタデータ） (2021-11-25T02:37:59Z)
• Learning Canonical Embedding for Non-rigid Shape Matching [36.85782408336389]
  本稿では,非剛体形状マッチングのための標準埋め込みを学習する新しいフレームワークを提供する。 我々のフレームワークはエンドツーエンドで訓練されており、一般的に使用されているLaplace-Beltramiベースに関連する不安定性と制約を回避する。
  論文  参考訳（メタデータ） (2021-10-06T18:09:13Z)
• Deep Shells: Unsupervised Shape Correspondence with Optimal Transport [52.646396621449]
  本稿では,3次元形状対応のための教師なし学習手法を提案する。 提案手法は,複数のデータセット上での最先端技術よりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2020-10-28T22:24:07Z)
• Deep Geometric Functional Maps: Robust Feature Learning for Shape Correspondence [31.840880075039944]
  非剛体3次元形状間の対応性を計算するための新しい学習手法を提案する。 提案手法の鍵となるのは, 生形状から直接学習する特徴抽出ネットワークである。
  論文  参考訳（メタデータ） (2020-03-31T15:20:17Z)

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。