論文の概要: DiffusionNet: Discretization Agnostic Learning on Surfaces
- arxiv url: http://arxiv.org/abs/2012.00888v2
- Date: Wed, 5 May 2021 19:28:43 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-30 19:54:41.701987
- Title: DiffusionNet: Discretization Agnostic Learning on Surfaces
- Title(参考訳): diffusionnet: 表面上の離散化非依存学習
- Authors: Nicholas Sharp, Souhaib Attaiki, Keenan Crane, Maks Ovsjanikov
- Abstract要約: 本研究では,空間コミュニケーションにおいて単純な拡散層が極めて有効であるという知見に基づいて,三次元表面の深層学習に新たなアプローチを導入する。
結果として得られるネットワークは、表面の様々なサンプリングと解像度を自動的に一般化する。
主に三角形メッシュ表面に注目し, 表面分類, セグメンテーション, 非剛性対応など, 様々なタスクの最先端結果を示す。
- 参考スコア(独自算出の注目度): 48.658589779470454
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We introduce a new approach to deep learning on 3D surfaces, based on the
insight that a simple diffusion layer is highly effective for spatial
communication. The resulting networks automatically generalize across different
samplings and resolutions of a surface -- a basic property which is crucial for
practical applications. Our networks can be discretized on various geometric
representations such as triangle meshes or point clouds, and can even be
trained on one representation then applied to another. We optimize the spatial
support of diffusion as a continuous network parameter ranging from purely
local to totally global, removing the burden of manually choosing neighborhood
sizes. The only other ingredients in the method are a multi-layer perceptron
applied independently at each point, and spatial gradient features to support
directional filters. The resulting networks are simple, robust, and efficient.
Here, we focus primarily on triangle mesh surfaces, and demonstrate
state-of-the-art results for a variety of tasks including surface
classification, segmentation, and non-rigid correspondence.
- Abstract(参考訳): 本研究では,簡易拡散層が空間コミュニケーションに非常に有効であるという知見に基づいて,3次元表面の深層学習への新たなアプローチを提案する。
結果として得られるネットワークは、表面の様々なサンプリングと解像度を自動的に一般化する。
我々のネットワークは三角形メッシュや点雲などの様々な幾何学的表現で識別することができ、ある表現でトレーニングして、別の表現に適用することもできる。
本研究では,局所的から全グローバル的までの連続的ネットワークパラメータとして拡散の空間的サポートを最適化し,手動で近傍サイズを選択するという負担を取り除く。
この方法の他の成分は、各点に独立に適用される多層パーセプトロンと、指向性フィルタをサポートする空間勾配特徴のみである。
その結果得られるネットワークはシンプルで堅牢で効率的です。
ここでは,主に三角形メッシュ表面に注目し,表面分類,セグメンテーション,非剛性対応など,さまざまなタスクの最先端結果を示す。
関連論文リスト
- Non-Euclidean Spatial Graph Neural Network [13.569970309961777]
グラフトポロジと空間幾何学を組み合わせた新しいメッセージパスベースニューラルネットワークを提案する。
理論的には、学習された表現が回転や翻訳といった重要な対称性に即時不変であることを保証する。
論文 参考訳(メタデータ) (2023-12-17T20:21:33Z) - Surf-D: High-Quality Surface Generation for Arbitrary Topologies using
Diffusion Models [84.70704129551245]
Surf-Dは任意の位相を持つ表面として高品質な3次元形状を生成する新しい方法である。
UDFは任意のトポロジを扱うのに優れており、複雑な形状を生成することができる。
論文 参考訳(メタデータ) (2023-11-28T18:56:01Z) - Learning Neural Implicit Representations with Surface Signal
Parameterizations [14.835882967340968]
本稿では,外見データに適した表面パラメータ化を暗黙的に符号化するニューラルネットワークアーキテクチャを提案する。
私たちのモデルは、既存のメッシュベースのデジタルコンテンツと外見データとの互換性が保たれています。
論文 参考訳(メタデータ) (2022-11-01T15:10:58Z) - Anisotropic Multi-Scale Graph Convolutional Network for Dense Shape
Correspondence [3.45989531033125]
本稿では,コンピュータビジョンとグラフィックスにおけるキー形状解析の応用である3次元高密度形状対応について検討する。
本稿では,幾何学的に有意かつ離散化に依存しない特徴を学習するハイブリッドな幾何学的深層学習モデルを提案する。
得られた対応マップは、ベンチマークデータセット上で最先端のパフォーマンスを示す。
論文 参考訳(メタデータ) (2022-10-17T22:40:50Z) - Cascaded Compressed Sensing Networks: A Reversible Architecture for
Layerwise Learning [11.721183551822097]
提案手法は, 補助ネットワークを必要とせずに, 圧縮センシングにより各層にネットワークをモデル化することにより, 対象の伝搬を実現することができることを示す。
実験により,提案手法は補助的なネットワークベース手法よりも優れた性能が得られることが示された。
論文 参考訳(メタデータ) (2021-10-20T05:21:13Z) - Concentric Spherical GNN for 3D Representation Learning [53.45704095146161]
同心球面特徴写像を学習するための新しい多解畳み込みアーキテクチャを提案する。
当社の階層的アーキテクチャは、球内情報と球間情報の両方を組み込むための代替学習に基づいています。
回転データを用いた3次元分類作業における最先端性能向上へのアプローチの有効性を実証する。
論文 参考訳(メタデータ) (2021-03-18T19:05:04Z) - A Point-Cloud Deep Learning Framework for Prediction of Fluid Flow
Fields on Irregular Geometries [62.28265459308354]
ネットワークは空間位置とCFD量のエンドツーエンドマッピングを学習する。
断面形状の異なるシリンダーを過ぎる非圧縮層状定常流を考察する。
ネットワークは従来のCFDの数百倍の速さで流れ場を予測する。
論文 参考訳(メタデータ) (2020-10-15T12:15:02Z) - Deformable spatial propagation network for depth completion [2.5306673456895306]
本稿では,各画素に対して異なる受容場と親和性行列を適応的に生成する変形可能な空間伝搬ネットワーク(DSPN)を提案する。
これにより、ネットワークは伝播のためのより少ないがより関連性の高い情報を得ることができる。
論文 参考訳(メタデータ) (2020-07-08T16:39:50Z) - 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) - Attentive CutMix: An Enhanced Data Augmentation Approach for Deep
Learning Based Image Classification [58.20132466198622]
そこで我々は,CutMixに基づく自然拡張拡張戦略であるAttentive CutMixを提案する。
各トレーニングイテレーションにおいて、特徴抽出器から中間注意マップに基づいて最も記述性の高い領域を選択する。
提案手法は単純かつ有効であり,実装が容易であり,ベースラインを大幅に向上させることができる。
論文 参考訳(メタデータ) (2020-03-29T15:01:05Z)
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。