論文の概要: Tangent Space Backpropogation for 3D Transformation Groups
- arxiv url: http://arxiv.org/abs/2103.12032v1
- Date: Mon, 22 Mar 2021 17:33:30 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-23 14:24:40.816089
- Title: Tangent Space Backpropogation for 3D Transformation Groups
- Title(参考訳): 3次元変換群に対するタンジェント空間バックプロパゲーション
- Authors: Zachary Teed and Jia Deng
- Abstract要約: 3次元変換群を含む計算グラフのバックプロパゲーションを行う問題に対処する。
3D変換の群構造を利用する新しいアプローチを紹介します。
私たちのアプローチは数値的に安定しており、実装が容易で、さまざまなタスクに役立ちます。
- 参考スコア(独自算出の注目度): 71.41252518419486
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We address the problem of performing backpropagation for computation graphs
involving 3D transformation groups $SO(3)$, $SE(3)$, and $Sim(3)$. 3D
transformation groups are widely used in 3D vision and robotics, but they do
not form vector spaces and instead lie on smooth manifolds. The standard
backpropagation approach, which embeds 3D transformations in Euclidean spaces,
suffers from numerical difficulties. We introduce a new approach, which
exploits the group structure of 3D transformations and performs backpropagation
in the tangent spaces of manifolds. We show that our approach is numerically
more stable, easier to implement, and beneficial to a diverse set of tasks. Our
plug-and-play PyTorch library is available at
https://github.com/princeton-vl/lietorch.
- Abstract(参考訳): 3次元変換群 $so(3)$, $se(3)$, $sim(3)$ を含む計算グラフに対してバックプロパゲーションを行う問題に対処する。
3d変換群は3dビジョンやロボティクスで広く使われているが、ベクトル空間を形成しず滑らかな多様体の上に横たわっている。
ユークリッド空間に3d変換を組み込む標準的なバックプロパゲーションアプローチは、数値的な困難に苦しむ。
本研究では, 3次元変換の群構造を利用し, 多様体の接空間におけるバックプロパゲーションを行う新しい手法を提案する。
我々のアプローチは数値的に安定しており、実装が容易であり、様々なタスクに有益であることを示している。
私たちのPyTorchライブラリはhttps://github.com/princeton-vl/lietorch.comで利用可能です。
関連論文リスト
- BerfScene: Bev-conditioned Equivariant Radiance Fields for Infinite 3D
Scene Generation [96.58789785954409]
本研究では,同変放射場と鳥眼視図のガイダンスを組み込んだ実用的で効率的な3次元表現を提案する。
局所的なシーンを合成し、スムーズな一貫性で縫い合わせることで、大規模で無限スケールの3Dシーンを作ります。
論文 参考訳(メタデータ) (2023-12-04T18:56:10Z) - Gaussian Grouping: Segment and Edit Anything in 3D Scenes [71.54526294251887]
ガウシアン・グルーピング(ガウシアン・グルーピング)はガウシアン・スプラッティングを拡張して,オープンワールドの3Dシーンで何かを共同で再構築・分割する。
離散的でグループ化された3Dガウスアンは、視覚的品質、きめ細かい粒度、効率で、あらゆるものを3Dで再構成、分割、編集できることを示す。
論文 参考訳(メタデータ) (2023-12-01T17:09:31Z) - 3D Equivariant Graph Implicit Functions [51.5559264447605]
局所的詳細のモデリングを容易にする同変層を持つグラフ暗黙関数の新しいファミリを導入する。
提案手法は,ShapeNet再構成作業において既存の回転同変暗黙関数を0.69から0.89に改善する。
論文 参考訳(メタデータ) (2022-03-31T16:51:25Z) - Asymmetric 3D Context Fusion for Universal Lesion Detection [55.61873234187917]
3Dネットワークは、3Dコンテキストでは強いが、教師付き事前トレーニングがない。
既存の3Dコンテキスト融合演算子は空間対称に設計されており、畳み込みのように各2Dスライス上で同一の操作を行う。
本研究では, 異なる重みを持つ非対称な3次元コンテキスト融合演算子 (A3D) を提案し, 異なる2次元スライスから3次元コンテキストを融合させる。
論文 参考訳(メタデータ) (2021-09-17T16:25:10Z) - Implicit Functions in Feature Space for 3D Shape Reconstruction and
Completion [53.885984328273686]
Implicit Feature Networks (IF-Nets) は連続的な出力を提供し、複数のトポロジを扱える。
IF-NetsはShapeNetにおける3次元オブジェクト再構成における先行作業よりも明らかに優れており、より正確な3次元人間の再構成が得られる。
論文 参考訳(メタデータ) (2020-03-03T11:14:29Z) - 3D Shape Segmentation with Geometric Deep Learning [2.512827436728378]
本稿では,部分分割問題としてセグメント化全体を解くために,3次元形状の3次元拡張ビューを生成するニューラルネットワークベースのアプローチを提案する。
提案手法は,公開データセットの3次元形状と,フォトグラム法を用いて再構成した実物体を用いて検証する。
論文 参考訳(メタデータ) (2020-02-02T14:11:16Z)
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。