論文の概要: Multiscale Mesh Deformation Component Analysis with Attention-based Autoencoders

• arxiv url: http://arxiv.org/abs/2012.02459v1
• Date: Fri, 4 Dec 2020 08:30:57 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-22 20:34:39.172510
• Title: Multiscale Mesh Deformation Component Analysis with Attention-based Autoencoders
• Title（参考訳）: アテンションベースオートエンコーダを用いたマルチスケールメッシュ変形成分分析
• Authors: Jie Yang, Lin Gao, Qingyang Tan, Yihua Huang, Shihong Xia and Yu-Kun Lai
• Abstract要約: 重み付けされたアテンションベースオートエンコーダを用いて, マルチスケール変形成分を精度良く自動生成する手法を提案する。 このアテンション機構は、アクティブな変形領域において、軟弱なマルチスケール変形成分を学習するように設計されている。 提案手法では,新しい形状の効果的なモデリングを容易にするために,粗い形状で形状を編集することができる。
• 参考スコア（独自算出の注目度）: 49.62443496989065
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deformation component analysis is a fundamental problem in geometry processing and shape understanding. Existing approaches mainly extract deformation components in local regions at a similar scale while deformations of real-world objects are usually distributed in a multi-scale manner. In this paper, we propose a novel method to exact multiscale deformation components automatically with a stacked attention-based autoencoder. The attention mechanism is designed to learn to softly weight multi-scale deformation components in active deformation regions, and the stacked attention-based autoencoder is learned to represent the deformation components at different scales. Quantitative and qualitative evaluations show that our method outperforms state-of-the-art methods. Furthermore, with the multiscale deformation components extracted by our method, the user can edit shapes in a coarse-to-fine fashion which facilitates effective modeling of new shapes.
• Abstract（参考訳）: 変形成分分析は幾何学処理と形状理解の基本的な問題である。 既存のアプローチでは、主に局所的な変形成分を同様のスケールで抽出するが、実世界の物体の変形は通常マルチスケールで分散する。 本稿では,注目型オートエンコーダを用いたマルチスケール変形成分の自動推定手法を提案する。 このアテンション機構は、アクティブな変形領域におけるマルチスケール変形成分の軟重化を学習するために設計され、スタック化されたアテンションベースのオートエンコーダは、変形成分を異なるスケールで表現する。 定量的および定性的評価は,本手法が最先端手法より優れていることを示す。 また, 本手法で抽出した多スケール変形成分により, 形状を粗視的に編集でき, 新たな形状のモデル化が容易になる。

関連論文リスト

• KP-RED: Exploiting Semantic Keypoints for Joint 3D Shape Retrieval and Deformation [87.23575166061413]
  KP-RED は KeyPoint 主導の Retrieval and deformation フレームワークである。 オブジェクトスキャンを入力として、最も幾何学的に類似したCADモデルを共同で検索し、変形させる。
  論文  参考訳（メタデータ） (2024-03-15T08:44:56Z)
• Classification of complex local environments in systems of particle shapes through shape-symmetry encoded data augmentation [0.0]
  本稿では,多層パーセプトロン(MLP)を粒子形状系の局所環境として訓練する,シンプルで物理に依存しない,強力なアプローチを提案する。 そこで本研究では, 粒子形状のシステム上での自己組織化過程を解明するための貴重なツールを提案する。
  論文  参考訳（メタデータ） (2023-12-19T03:27:38Z)
• ShapeMatcher: Self-Supervised Joint Shape Canonicalization, Segmentation, Retrieval and Deformation [47.94499636697971]
  本稿では,関節形状の正準化,分節化,検索,変形を行うための自己教師型学習フレームワークであるShapeMatcherを提案する。 ShapeMakerの重要な洞察は、標準化、セグメンテーション、検索、変形という4つの高関連プロセスの同時トレーニングである。
  論文  参考訳（メタデータ） (2023-11-18T15:44:57Z)
• Semantic-Aware Implicit Template Learning via Part Deformation Consistency [18.63665468429503]
  意味論的に妥当な変形を可能にする意味認識型暗黙テンプレート学習フレームワークを提案する。 自己教師付き特徴抽出器からのセマンティクスの事前利用により,新しいセマンティクス対応変形符号を用いた局所条件付けを提案する。 本実験は,様々なタスクにおいて,ベースラインよりも提案手法の方が優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-23T05:02:17Z)
• Abdominal organ segmentation via deep diffeomorphic mesh deformations [5.4173776411667935]
  CTとMRIによる腹部臓器の分節は,手術計画とコンピュータ支援ナビゲーションシステムにとって必須の要件である。 肝, 腎, 膵, 脾の分節に対するテンプレートベースのメッシュ再構成法を応用した。 結果として得られたUNetFlowは4つの器官すべてによく当てはまり、新しいデータに基づいて簡単に微調整できる。
  論文  参考訳（メタデータ） (2023-06-27T14:41:18Z)
• Neural Shape Deformation Priors [14.14047635248036]
  本稿では,新しい形状操作法であるニューラル・シェイプ・フォーメーション・プレファレンスを提案する。 形状の幾何学的性質に基づいて変形挙動を学習する。 本手法は, 難解な変形に対して適用可能であり, 未知の変形に対して良好に一般化できる。
  論文  参考訳（メタデータ） (2022-10-11T17:03:25Z)
• Frame Averaging for Equivariant Shape Space Learning [85.42901997467754]
  形状空間学習に対称性を組み込む自然な方法は、形状空間(エンコーダ)への写像と形状空間(デコーダ)からの写像が関連する対称性に同値であることを問うことである。 本稿では,2つのコントリビューションを導入することで,エンコーダとデコーダの等価性を組み込む枠組みを提案する。
  論文  参考訳（メタデータ） (2021-12-03T06:41:19Z)
• SEG-MAT: 3D Shape Segmentation Using Medial Axis Transform [49.51977253452456]
  入力形状の媒体軸変換(MAT)に基づく3次元形状分割の効率的な方法を提案する。 具体的には、MATに符号化された豊富な幾何学的および構造的情報により、3次元形状の異なる部分間の様々な種類の接合を識別することができる。 本手法は, セグメンテーション品質の点で最先端の手法より優れ, 桁違いに高速である。
  論文  参考訳（メタデータ） (2020-10-22T07:15:23Z)
• 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)
• A Compact Spectral Descriptor for Shape Deformations [0.8268443804509721]
  本研究では, 応力下での塑性変形挙動のパラメータ化手法を提案する。 既存のパラメータ化は計算解析を比較的単純な変形に制限する。 本稿では,スペクトルメッシュ処理に基づく変形挙動のコンパクト記述子を導出する手法を提案する。
  論文  参考訳（メタデータ） (2020-03-10T10:34:30Z)

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。