論文の概要: Fostering Generalization in Single-view 3D Reconstruction by Learning a Hierarchy of Local and Global Shape Priors

• arxiv url: http://arxiv.org/abs/2104.00476v1
• Date: Thu, 1 Apr 2021 14:04:48 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-02 13:35:45.039747
• Title: Fostering Generalization in Single-view 3D Reconstruction by Learning a Hierarchy of Local and Global Shape Priors
• Title（参考訳）: 局所的・大域的形状の階層構造を学習した一視点3次元再構成における一般化
• Authors: Jan Bechtold, Maxim Tatarchenko, Volker Fischer, Thomas Brox
• Abstract要約: 単一視点の3dオブジェクトの再構築は大きな進歩を遂げているが、訓練中に目に見えない新しい形状に一般化する手法はいまだに苦戦している。 一般的なアプローチは、主に学習されたグローバルシェイプの優先順位に依存し、したがって、詳細なローカル観察を無視します。 局所前置法を活用すれば,入力観測を効率的に利用することが可能となり,新しい形状の可視領域の一般化が向上する。
• 参考スコア（独自算出の注目度）: 44.30810194297426
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Single-view 3D object reconstruction has seen much progress, yet methods still struggle generalizing to novel shapes unseen during training. Common approaches predominantly rely on learned global shape priors and, hence, disregard detailed local observations. In this work, we address this issue by learning a hierarchy of priors at different levels of locality from ground truth input depth maps. We argue that exploiting local priors allows our method to efficiently use input observations, thus improving generalization in visible areas of novel shapes. At the same time, the combination of local and global priors enables meaningful hallucination of unobserved parts resulting in consistent 3D shapes. We show that the hierarchical approach generalizes much better than the global approach. It generalizes not only between different instances of a class but also across classes and to unseen arrangements of objects.
• Abstract（参考訳）: 単一視点の3dオブジェクトの再構築は大きな進歩を遂げているが、訓練中に目に見えない新しい形状に一般化する手法はいまだに苦戦している。 一般的なアプローチは、主に学習されたグローバルな形に頼り、したがって詳細な局所的な観察を無視している。 本研究では,地中真理入力深度マップから,様々な局地性レベルの事前階層を学習することでこの問題に対処する。 局所前置法を活用すれば,入力観測を効率的に利用することが可能となり,新しい形状の可視領域の一般化が向上する。 同時に、局所的および大域的プリエントの組み合わせにより、観察されていない部分の有意義な幻覚が実現され、一貫した3d形状が得られる。 階層的アプローチがグローバルアプローチよりもはるかに優れていることを示す。 クラスの異なるインスタンス間だけでなく、クラス間でも一般化し、オブジェクトの配置を見えなくする。

関連論文リスト

• Learning Local Pattern Modularization for Point Cloud Reconstruction from Unseen Classes [53.6277160912059]
  我々は、クラスに依存しない局所的な事前学習を行い、オブジェクト指向座標系で容易に一般化する。 学習した局所パターンを用いて,各領域を初期再構成した形状にモジュール化する。 本手法は,物体中心座標系における未知のクラスから高忠実度点雲を再構成することができる。
  論文  参考訳（メタデータ） (2024-08-26T13:55:42Z)
• A separability-based approach to quantifying generalization: which layer is best? [0.0]
  未確認データへの一般化は、ディープラーニングの分類と基礎モデルではよく理解されていない。 サンプル領域を表すネットワークのキャパシティを評価するための新しい手法を提案する。 i) 高い分類精度は高い一般化可能性を示すものではなく、(ii) モデルの深い層が必ずしも最良を一般化するとは限らない。
  論文  参考訳（メタデータ） (2024-05-02T17:54:35Z)
• Investigating the Nature of 3D Generalization in Deep Neural Networks [1.9685138481667885]
  視覚オブジェクト認識システムは、一連の2Dトレーニングビューから新しいビューへと一般化する必要がある。 物体認識のための近代的なディープラーニングアーキテクチャは、新しい視点によく一般化するが、そのメカニズムはよく理解されていない。 一般化の一般的な3つのモデルについて考察する: (i) 完全3次元一般化, (ii) 純粋2次元マッチング, (iii) ビューの線形結合に基づくマッチング。
  論文  参考訳（メタデータ） (2023-04-19T00:54:00Z)
• Single-view 3D Mesh Reconstruction for Seen and Unseen Categories [69.29406107513621]
  シングルビュー3Dメッシュ再構成は、シングルビューRGB画像から3D形状を復元することを目的とした、基本的なコンピュータビジョンタスクである。 本稿では,一視点3Dメッシュ再構成に取り組み,未知のカテゴリのモデル一般化について検討する。 我々は、再構築におけるカテゴリ境界を断ち切るために、エンドツーエンドの2段階ネットワークであるGenMeshを提案する。
  論文  参考訳（メタデータ） (2022-08-04T14:13:35Z)
• Fine-Grained Object Classification via Self-Supervised Pose Alignment [42.55938966190932]
  我々は,クラス間の自己教師型ポーズアライメントのための局所部分のグローバルな構成を明らかにするために,新しいグラフベースのオブジェクト表現を学習する。 提案手法を3つの評価対象分類ベンチマークで評価し,最先端性能を継続的に達成した。
  論文  参考訳（メタデータ） (2022-03-30T01:46:19Z)
• Compositionally Generalizable 3D Structure Prediction [41.641683644620464]
  シングルイメージの3次元形状復元はコンピュータビジョンにおいて重要かつ長年の課題である。 未知のオブジェクトカテゴリをより一般化できる新しいフレームワークを提案する。 PartNetの実験では、最先端技術よりも優れたパフォーマンスを実現しています。
  論文  参考訳（メタデータ） (2020-12-04T09:53:14Z)
• Fine-Grained 3D Shape Classification with Hierarchical Part-View Attentions [70.0171362989609]
  本稿では,FG3D-Netと呼ばれる新しい3次元形状分類手法を提案する。 詳細な3次元形状データセットに基づく結果から,本手法が他の最先端手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2020-05-26T06:53:19Z)
• Global-Local Bidirectional Reasoning for Unsupervised Representation Learning of 3D Point Clouds [109.0016923028653]
  局所構造とグローバル形状の双方向推論による点雲表現を人間の監督なしに学習する。 本研究では, 実世界の3次元オブジェクト分類データセットにおいて, 教師なしモデルが最先端の教師付き手法を超越していることを示す。
  論文  参考訳（メタデータ） (2020-03-29T08:26:08Z)
• A Rotation-Invariant Framework for Deep Point Cloud Analysis [132.91915346157018]
  ネットワーク入力時に一般的な3次元カルト座標を置き換えるために,新しい低レベル純粋回転不変表現を導入する。 また,これらの表現を特徴に組み込むネットワークアーキテクチャを提案し,点とその近傍の局所的関係とグローバルな形状構造を符号化する。 本手法は, 形状分類, 部分分割, 形状検索を含む多点雲解析タスクにおいて評価する。
  論文  参考訳（メタデータ） (2020-03-16T14:04:45Z)

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。