論文の概要: CorrNet3D: Unsupervised End-to-end Learning of Dense Correspondence for 3D Point Clouds

• arxiv url: http://arxiv.org/abs/2012.15638v1
• Date: Thu, 31 Dec 2020 14:55:51 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-17 17:26:12.798479
• Title: CorrNet3D: Unsupervised End-to-end Learning of Dense Correspondence for 3D Point Clouds
• Title（参考訳）: CorrNet3D:3Dポイントクラウドのためのディエンス対応の教師なしエンドツーエンド学習
• Authors: Yiming Zeng, Yue Qian, Zhiyu Zhu, Junhui Hou, Hui Yuan, Ying He
• Abstract要約: 本稿では,3次元形状間の密接な対応を点雲形式で計算する問題に対処する。 CorrNet3Dは、教師なしでエンドツーエンドのディープラーニングベースのフレームワークです。
• 参考スコア（独自算出の注目度）: 48.22275177437932
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper addresses the problem of computing dense correspondence between 3D shapes in the form of point clouds, which is a challenging and fundamental problem in computer vision and digital geometry processing. Conventional approaches often solve the problem in a supervised manner, requiring massive annotated data, which is difficult and/or expensive to obtain. Motivated by the intuition that one can transform two aligned point clouds to each other more easily and meaningfully than a misaligned pair, we propose CorrNet3D -- the first unsupervised and end-to-end deep learning-based framework -- to drive the learning of dense correspondence by means of deformation-like reconstruction to overcome the need for annotated data. Specifically, CorrNet3D consists of a deep feature embedding module and two novel modules called correspondence indicator and symmetric deformation. Feeding a pair of raw point clouds, our model first learns the pointwise features and passes them into the indicator to generate a learnable correspondence matrix used to permute the input pair. The symmetric deformer, with an additional regularized loss, transforms the two permuted point clouds to each other to drive the unsupervised learning of the correspondence. The extensive experiments on both synthetic and real-world datasets of rigid and non-rigid 3D shapes show our CorrNet3D outperforms state-of-the-art methods to a large extent, including those taking meshes as input. CorrNet3D is a flexible framework in that it can be easily adapted to supervised learning if annotated data are available.
• Abstract（参考訳）: 本稿では,3次元形状間の密接な対応をポイントクラウドという形で計算する問題について述べる。 従来の手法では、大量のアノテートされたデータを必要とするが、入手が困難かつ高価である。 2つの整合点雲を互いに容易に有意義に変換できるという直感によって、最初の教師なし、エンドツーエンドのディープラーニングベースのフレームワークであるCorrNet3Dを提案し、変形のような再構成によって密接な対応の学習を推進し、注釈付きデータの必要性を克服する。 具体的には、corrnet3dは深い特徴埋め込みモジュールと、対応インジケータと対称変形と呼ばれる2つの新しいモジュールで構成されている。 一対の生の点雲を供給し、まずその点の特徴を学習し、それらをインジケータに渡して入力対をパーミュレートする学習可能な対応行列を生成する。 対称変形器は、さらなる正規化損失を伴い、2つの置換点雲を互いに変換し、対応の教師なし学習を促進する。 剛性および非剛性な3D形状の合成および実世界のデータセットに関する広範な実験は、CorrNet3Dがメッシュを入力として取り込むことを含む最先端の手法をかなり上回っていることを示している。 CorrNet3Dは、アノテーション付きデータが利用可能であれば、教師あり学習に容易に適応できるフレキシブルなフレームワークである。

関連論文リスト

• IDEA-Net: Dynamic 3D Point Cloud Interpolation via Deep Embedding Alignment [58.8330387551499]
  我々は、点方向軌跡(すなわち滑らかな曲線)の推定として問題を定式化する。 本稿では,学習した時間的一貫性の助けを借りて問題を解消する,エンドツーエンドのディープラーニングフレームワークであるIDEA-Netを提案する。 各種点群における本手法の有効性を実証し, 定量的かつ視覚的に, 最先端の手法に対する大幅な改善を観察する。
  論文  参考訳（メタデータ） (2022-03-22T10:14:08Z)
• CrossPoint: Self-Supervised Cross-Modal Contrastive Learning for 3D Point Cloud Understanding [2.8661021832561757]
  CrossPointは、転送可能な3Dポイントクラウド表現を学習するための、単純なクロスモーダルコントラスト学習アプローチである。 提案手法は,従来の教師なし学習手法よりも,3次元オブジェクト分類やセグメンテーションなど,さまざまな下流タスクにおいて優れていた。
  論文  参考訳（メタデータ） (2022-03-01T18:59:01Z)
• DFC: Deep Feature Consistency for Robust Point Cloud Registration [0.4724825031148411]
  複雑なアライメントシーンのための学習に基づくアライメントネットワークを提案する。 我々は,3DMatchデータセットとKITTIオドメトリデータセットに対するアプローチを検証する。
  論文  参考訳（メタデータ） (2021-11-15T08:27:21Z)
• Unsupervised Dense Deformation Embedding Network for Template-Free Shape Correspondence [18.48814403488283]
  現在のディープラーニングベースの手法では、ポイント単位の翻訳を学習するために、高密度アノテーションの監督が必要である。 本研究では,密集した局所特徴から非剛体形状間の変形を予測できる新しい非教師なし変形埋め込みネットワーク(UD2E-Net)を開発した。 我々のUD2E-Netは、ファウストインターチャレンジで24%、ファウストイントラチャレンジで13%、教師なし手法で24%、最先端の非教師なし手法より優れています。
  論文  参考訳（メタデータ） (2021-08-26T07:07:19Z)
• Adjoint Rigid Transform Network: Task-conditioned Alignment of 3D Shapes [86.2129580231191]
  Adjoint Rigid Transform (ART) Networkは、さまざまな3Dネットワークと統合可能なニューラルネットワークモジュールである。 ARTは入力の形状を学習した標準方向に回転させることを学び、多くのタスクに欠かせない。 さらなる研究のために、コードと事前訓練されたモデルをリリースします。
  論文  参考訳（メタデータ） (2021-02-01T20:58:45Z)
• Learning Geometry-Disentangled Representation for Complementary Understanding of 3D Object Point Cloud [50.56461318879761]
  3次元画像処理のためのGDANet(Geometry-Disentangled Attention Network)を提案する。 GDANetは、点雲を3Dオブジェクトの輪郭と平らな部分に切り離し、それぞれ鋭い変化成分と穏やかな変化成分で表される。 3Dオブジェクトの分類とセグメンテーションベンチマークの実験は、GDANetがより少ないパラメータで最先端の処理を実現していることを示している。
  論文  参考訳（メタデータ） (2020-12-20T13:35:00Z)
• ParaNet: Deep Regular Representation for 3D Point Clouds [62.81379889095186]
  ParaNetは、3Dポイントクラウドを表現するための新しいエンドツーエンドのディープラーニングフレームワークである。 不規則な3D点雲を通常の2Dカラー画像に変換する。 多視点投影とボキセル化に基づく従来の正規表現法とは異なり、提案した表現は微分可能で可逆である。
  論文  参考訳（メタデータ） (2020-12-05T13:19:55Z)
• Gram Regularization for Multi-view 3D Shape Retrieval [3.655021726150368]
  本稿では,グラム正規化という新しい正規化用語を提案する。 重みカーネル間の分散を強要することにより、正規化器は識別的特徴を抽出するのに役立つ。 提案したグラム正規化はデータ独立であり、ベルやホイッスルを使わずに安定かつ迅速に収束することができる。
  論文  参考訳（メタデータ） (2020-11-16T05:37:24Z)
• Learning 2D-3D Correspondences To Solve The Blind Perspective-n-Point Problem [98.92148855291363]
  本稿では、6-DoFの絶対カメラポーズ2D--3D対応を同時に解決するディープCNNモデルを提案する。 実データとシミュレーションデータの両方でテストした結果,本手法は既存手法よりも大幅に優れていた。
  論文  参考訳（メタデータ） (2020-03-15T04:17:30Z)

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。