Fugu-MT 論文翻訳(概要): CAPRI-Net: Learning Compact CAD Shapes with Adaptive Primitive Assembly

論文の概要: CAPRI-Net: Learning Compact CAD Shapes with Adaptive Primitive Assembly

arxiv url: http://arxiv.org/abs/2104.05652v1
Date: Mon, 12 Apr 2021 17:21:19 GMT
ステータス: 処理完了
システム内更新日: 2021-04-13 14:24:00.533940
Title: CAPRI-Net: Learning Compact CAD Shapes with Adaptive Primitive Assembly
Title（参考訳）: CAPRI-Net: アダプティブプリミティブアセンブリによるCAD形状の学習
Authors: Fenggen Yu, Zhiqin Chen, Manyi Li, Aditya Sanghi, Hooman Shayani, Ali Mahdavi-Amiri and Hao Zhang
Abstract要約: 3Dコンピュータ支援設計(CAD)モデルのコンパクトで解釈可能な暗黙表現を学習するためのニューラルネットワークCAPRI-Netを紹介します。当社のネットワークは、ポイントクラウドまたはボキセルグリッドとして提供できる入力3D形状を取り、四面プリミティブのコンパクトなアセンブリによってそれを再構築します。本研究では,これまでで最大かつ多種多様なCADデータセットであるShapeNetとABCの学習フレームワークを,再構築品質,形状エッジ,コンパクト性,解釈可能性の観点から評価した。
参考スコア（独自算出の注目度）: 17.82598676258891
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We introduce CAPRI-Net, a neural network for learning compact and interpretable implicit representations of 3D computer-aided design (CAD) models, in the form of adaptive primitive assemblies. Our network takes an input 3D shape that can be provided as a point cloud or voxel grids, and reconstructs it by a compact assembly of quadric surface primitives via constructive solid geometry (CSG) operations. The network is self-supervised with a reconstruction loss, leading to faithful 3D reconstructions with sharp edges and plausible CSG trees, without any ground-truth shape assemblies. While the parametric nature of CAD models does make them more predictable locally, at the shape level, there is a great deal of structural and topological variations, which present a significant generalizability challenge to state-of-the-art neural models for 3D shapes. Our network addresses this challenge by adaptive training with respect to each test shape, with which we fine-tune the network that was pre-trained on a model collection. We evaluate our learning framework on both ShapeNet and ABC, the largest and most diverse CAD dataset to date, in terms of reconstruction quality, shape edges, compactness, and interpretability, to demonstrate superiority over current alternatives suitable for neural CAD reconstruction.
Abstract（参考訳）: 本稿では,3次元コンピュータ支援設計(CAD)モデルのコンパクトかつ解釈可能な暗黙表現を適応的プリミティブアセンブリの形で学習するニューラルネットワークであるCAPRI-Netを紹介する。私たちのネットワークは、入力3次元形状を点クラウドまたはボクセルグリッドとして提供し、構成的ソリッドジオメトリ(csg)演算を介して二次曲面プリミティブのコンパクトな集合によって再構成する。ネットワークは自己監督され、再構築の損失があり、鋭い縁と可算性のあるcsg木で忠実な3d再構築に繋がる。 CADモデルのパラメトリックな性質は、形状レベルではより局所的に予測しやすくするが、多くの構造的・トポロジカルなバリエーションがあり、3次元形状のための最先端のニューラルモデルに重大な一般化可能性をもたらす。我々のネットワークは、各テスト形状に関する適応的なトレーニングによってこの課題に対処し、モデルコレクションで事前トレーニングされたネットワークを微調整する。筆者らは,シェープネットとabcの両方の学習フレームワークについて,これまでのcadデータセットの中で最大かつ多様であり,復元品質,形状エッジ,コンパクト性,解釈性の観点から評価した。

関連論文リスト

DAE-Net: Deforming Auto-Encoder for fine-grained shape co-segmentation [22.538892330541582]
本稿では,形状コレクションから変形可能な部分テンプレートの集合を学習する,教師なしの3次元形状協調手法を提案する。ネットワークは,アフィン変換されたテンプレート部品のサブセットによって各形状を構成する。 DAE-Net for Deforming Auto-Encoderとよばれる我々のネットワークは、きめ細かな、コンパクトで、意味のある部分を生み出す、教師なしの3次元形状のコセグメンテーションを実現することができる。
論文参考訳（メタデータ） (2023-11-22T03:26:07Z)
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)
Neural Template: Topology-aware Reconstruction and Disentangled Generation of 3D Meshes [52.038346313823524]
本稿では,Distangled Topologyによる3次元メッシュ再構成と生成のためのDTNetという新しいフレームワークを提案する。提案手法は,最先端の手法と比較して,特に多様なトポロジで高品質なメッシュを生成することができる。
論文参考訳（メタデータ） (2022-06-10T08:32:57Z)
Learning Mesh Representations via Binary Space Partitioning Tree Networks [28.962866472806812]
コンベックス分解により3次元形状を表現するネットワークであるBSP-Netを提案する。ネットワークは、一組の平面上に構築されたBSPツリーから得られた凸の集合を用いて形状を再構築するよう訓練され、平面と凸はどちらも学習されたネットワーク重みによって定義される。生成されたメッシュは、水密でコンパクト(低ポーリー)で、鋭い幾何学を表現するのに適している。
論文参考訳（メタデータ） (2021-06-27T16:37:54Z)
DSG-Net: Learning Disentangled Structure and Geometry for 3D Shape Generation [98.96086261213578]
DSG-Netは3次元形状の非交叉構造と幾何学的メッシュ表現を学習するディープニューラルネットワークである。これは、幾何(構造)を不変に保ちながら構造(幾何学)のような不整合制御を持つ新しい形状生成アプリケーションの範囲をサポートする。本手法は,制御可能な生成アプリケーションだけでなく,高品質な合成形状を生成できる。
論文参考訳（メタデータ） (2020-08-12T17:06:51Z)
Shape Prior Deformation for Categorical 6D Object Pose and Size Estimation [62.618227434286]
RGB-D画像から見えないオブジェクトの6Dポーズとサイズを復元する新しい学習手法を提案する。本研究では,事前学習したカテゴリ形状からの変形を明示的にモデル化することにより,3次元オブジェクトモデルを再構築するディープネットワークを提案する。
論文参考訳（メタデータ） (2020-07-16T16:45:05Z)
Learning Local Neighboring Structure for Robust 3D Shape Representation [143.15904669246697]
3Dメッシュの表現学習は多くのコンピュータビジョンやグラフィックスアプリケーションにおいて重要である。局所構造認識型異方性畳み込み操作(LSA-Conv)を提案する。本モデルでは,3次元形状復元において最先端の手法に比べて顕著な改善が得られた。
論文参考訳（メタデータ） (2020-04-21T13:40:03Z)
Shape-Oriented Convolution Neural Network for Point Cloud Analysis [59.405388577930616]
ポイントクラウドは3次元幾何学情報符号化に採用されている主要なデータ構造である。形状指向型メッセージパッシング方式であるShapeConvを提案する。
論文参考訳（メタデータ） (2020-04-20T16:11:51Z)
Few-Shot Single-View 3-D Object Reconstruction with Compositional Priors [30.262308825799167]
複雑なエンコーダ・デコーダアーキテクチャは、標準ベンチマークにおいて、最寄りのベースラインと同様に動作することを示す。本稿では,3次元再構成モデルに事前クラスを効率的に統合する3つの手法を提案する。
論文参考訳（メタデータ） (2020-04-14T04:53:34Z)
STD-Net: Structure-preserving and Topology-adaptive Deformation Network for 3D Reconstruction from a Single Image [27.885717341244014]
単一のビューイメージからの3D再構成は、コンピュータビジョンにおける長年の進歩である。本稿では,メッシュ表現を用いた3次元モデル再構築のためのSTD-Netを提案する。 ShapeNetの画像による実験結果から, 提案したSTD-Netは, 3Dオブジェクトを再構成する他の最先端手法よりも優れた性能を示した。
論文参考訳（メタデータ） (2020-03-07T11:02:47Z)

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。