論文の概要: Deep Optimized Priors for 3D Shape Modeling and Reconstruction
- arxiv url: http://arxiv.org/abs/2012.07241v1
- Date: Mon, 14 Dec 2020 03:56:31 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-08 14:32:32.020898
- Title: Deep Optimized Priors for 3D Shape Modeling and Reconstruction
- Title（参考訳）: 3次元形状モデリングと再構成のための深い最適化事前処理
- Authors: Mingyue Yang, Yuxin Wen, Weikai Chen, Yongwei Chen, Kui Jia
- Abstract要約: 3Dモデリングと再構築のための新しい学習フレームワークを紹介します。
提案手法は,事前訓練によって制約された障壁を効果的に破壊することを示す。
- 参考スコア（独自算出の注目度）: 38.79018852887249
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Many learning-based approaches have difficulty scaling to unseen data, as the
generality of its learned prior is limited to the scale and variations of the
training samples. This holds particularly true with 3D learning tasks, given
the sparsity of 3D datasets available. We introduce a new learning framework
for 3D modeling and reconstruction that greatly improves the generalization
ability of a deep generator. Our approach strives to connect the good ends of
both learning-based and optimization-based methods. In particular, unlike the
common practice that fixes the pre-trained priors at test time, we propose to
further optimize the learned prior and latent code according to the input
physical measurements after the training. We show that the proposed strategy
effectively breaks the barriers constrained by the pre-trained priors and could
lead to high-quality adaptation to unseen data. We realize our framework using
the implicit surface representation and validate the efficacy of our approach
in a variety of challenging tasks that take highly sparse or collapsed
observations as input. Experimental results show that our approach compares
favorably with the state-of-the-art methods in terms of both generality and
accuracy.
- Abstract（参考訳）: 多くの学習ベースのアプローチでは、学習前の一般性がトレーニングサンプルの規模やバリエーションに制限されるため、見えないデータへのスケーリングが難しい。
3Dデータセットの空間性を考えると、これは特に3D学習タスクにおいて当てはまる。
本稿では,深層発電機の一般化能力を大幅に向上させる3次元モデリングと再構成のための新しい学習フレームワークを提案する。
提案手法は,学習に基づく手法と最適化に基づく手法の両端を結びつけるものである。
特に,事前学習した事前コードをテスト時に修正する一般的な手法とは異なり,学習した事前および潜時コードを,トレーニング後の入力物理的測定値に応じてさらに最適化することを提案する。
提案手法は,事前学習された事前条件によって制約される障壁を効果的に破壊し,未学習データに高品質な適応をもたらす可能性がある。
我々は, 暗黙的表面表現を用いた枠組みを実現し, 入力として非常にスパースあるいは崩壊した観測を行う様々な課題において, アプローチの有効性を検証する。
実験の結果,本手法は一般性と精度の両面で最先端手法と好適に比較できることがわかった。
関連論文リスト
- Uncertainty-Aware Testing-Time Optimization for 3D Human Pose Estimation [68.75387874066647]
本研究では3次元ポーズ推定のための不確実性認識テスト時間最適化フレームワークを提案する。
我々のアプローチは、Human3.6Mの4.5%という大きなマージンで、過去最高の結果を上回っている。
論文 参考訳（メタデータ） (2024-02-04T04:28:02Z) - A Fusion of Variational Distribution Priors and Saliency Map Replay for Continual 3D Reconstruction [1.2289361708127877]
単一画像からの3次元物体形状の予測に焦点をあてた研究課題である。
このタスクは、形状の可視部分と隠蔽部分の両方を予測するために、重要なデータ取得を必要とする。
本稿では,従来のクラスを新しいクラスで学習した後でも合理的に再構築できる変分優先を用いたモデルの設計を目標とする,連続的な学習に基づく3D再構成手法を提案する。
論文 参考訳（メタデータ） (2023-08-17T06:48:55Z) - Randomized 3D Scene Generation for Generalizable Self-Supervised
Pre-Training [0.0]
球面高調波を用いた3次元シーン生成手法を提案する。
従来の定式化法をクリアマージンで上回り、実世界のスキャンとCADモデルを用いた手法を用いて、中間結果を得る。
論文 参考訳（メタデータ） (2023-06-07T08:28:38Z) - Advancing 3D Medical Image Analysis with Variable Dimension Transform
based Supervised 3D Pre-training [45.90045513731704]
本稿では,革新的でシンプルな3Dネットワーク事前学習フレームワークを再考する。
再設計された3Dネットワークアーキテクチャにより、データ不足の問題に対処するために、修正された自然画像が使用される。
4つのベンチマークデータセットに関する総合的な実験により、提案した事前学習モデルが収束を効果的に加速できることが示されている。
論文 参考訳（メタデータ） (2022-01-05T03:11:21Z) - Training Efficiency and Robustness in Deep Learning [2.6451769337566406]
ディープラーニングモデルのトレーニング効率と堅牢性を改善するためのアプローチについて検討する。
より情報的なトレーニングデータに基づく学習の優先順位付けは収束速度を高め、テストデータに対する一般化性能を向上させる。
トレーニングデータのサンプリングに対する冗長性を考慮した修正により、トレーニング速度が向上し、トレーニング信号の多様性を検出する効率的な方法が開発されていることを示す。
論文 参考訳（メタデータ） (2021-12-02T17:11:33Z) - Improved Fine-tuning by Leveraging Pre-training Data: Theory and
Practice [52.11183787786718]
対象データに事前学習されたモデルを微調整することは、多くのディープラーニングアプリケーションで広く利用されている。
近年の研究では、スクラッチからのトレーニングが、この事前トレーニング戦略に比較して、最終的なパフォーマンスを示すことが実証されている。
本稿では,対象タスクの一般化を改善するために,事前学習データからサブセットを選択する新しい選択戦略を提案する。
論文 参考訳（メタデータ） (2021-11-24T06:18:32Z) - Dynamic Iterative Refinement for Efficient 3D Hand Pose Estimation [87.54604263202941]
本稿では,従来の推定値の修正に部分的レイヤを反復的に活用する,小さなディープニューラルネットワークを提案する。
学習したゲーティング基準を用いて、ウェイトシェアリングループから抜け出すかどうかを判断し、モデルにサンプルごとの適応を可能にする。
提案手法は,広く使用されているベンチマークの精度と効率の両面から,最先端の2D/3Dハンドポーズ推定手法より一貫して優れている。
論文 参考訳（メタデータ） (2021-11-11T23:31:34Z) - Self Context and Shape Prior for Sensorless Freehand 3D Ultrasound
Reconstruction [61.62191904755521]
3DフリーハンドUSは、幅広い範囲とフリーフォームスキャンを提供することで、この問題に対処することを約束している。
既存のディープラーニングベースの手法は、スキルシーケンスの基本ケースのみに焦点を当てている。
複雑なスキルシーケンスを考慮したセンサレスフリーハンドUS再構成手法を提案する。
論文 参考訳（メタデータ） (2021-07-31T16:06:50Z) - An Adaptive Framework for Learning Unsupervised Depth Completion [59.17364202590475]
カラー画像から高密度深度マップとそれに伴うスパース深度測定を推定する手法を提案する。
正規化とコビジュアライゼーションは、モデルの適合度とデータによって関連付けられており、単一のフレームワークに統合可能であることを示す。
論文 参考訳（メタデータ） (2021-06-06T02:27:55Z) - Bridging the Reality Gap for Pose Estimation Networks using Sensor-Based
Domain Randomization [1.4290119665435117]
合成データに基づいて訓練された手法は、2Dの領域ランダム化をより発展させるため、2D画像を使用する。
提案手法では,3次元データをネットワークに統合し,ポーズ推定の精度を高める。
3つの大規模ポーズ推定ベンチマーク実験により, 提案手法は, 合成データを用いた従来手法よりも優れていたことがわかった。
論文 参考訳（メタデータ） (2020-11-17T09:12:11Z)
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。