論文の概要: A-SDF: Learning Disentangled Signed Distance Functions for Articulated Shape Representation

• arxiv url: http://arxiv.org/abs/2104.07645v1
• Date: Thu, 15 Apr 2021 17:53:54 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-16 14:54:48.658612
• Title: A-SDF: Learning Disentangled Signed Distance Functions for Articulated Shape Representation
• Title（参考訳）: A-SDF:Articulated Shape Representationのための遠交符号距離関数の学習
• Authors: Jiteng Mu, Weichao Qiu, Adam Kortylewski, Alan Yuille, Nuno Vasconcelos, Xiaolong Wang
• Abstract要約: A-SDF (Articulated Signed Distance Functions) を導入して, 曲面形状を表す。 本モデルでは, 部分点群や実世界深度画像など, 未知のデータへの一般化を実証する。
• 参考スコア（独自算出の注目度）: 62.517760545209065
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent work has made significant progress on using implicit functions, as a continuous representation for 3D rigid object shape reconstruction. However, much less effort has been devoted to modeling general articulated objects. Compared to rigid objects, articulated objects have higher degrees of freedom, which makes it hard to generalize to unseen shapes. To deal with the large shape variance, we introduce Articulated Signed Distance Functions (A-SDF) to represent articulated shapes with a disentangled latent space, where we have separate codes for encoding shape and articulation. We assume no prior knowledge on part geometry, articulation status, joint type, joint axis, and joint location. With this disentangled continuous representation, we demonstrate that we can control the articulation input and animate unseen instances with unseen joint angles. Furthermore, we propose a Test-Time Adaptation inference algorithm to adjust our model during inference. We demonstrate our model generalize well to out-of-distribution and unseen data, e.g., partial point clouds and real-world depth images.
• Abstract（参考訳）: 近年, 3次元剛体形状復元のための連続表現として, 暗黙関数の利用が大きな進歩を遂げている。 しかし、一般的な調音オブジェクトのモデリングに費やされる労力ははるかに少ない。 剛体と比較すると、明瞭な物体はより高い自由度を持つため、見えない形状に一般化することは困難である。 大きな形状のばらつきに対処するために,形状と調音を符号化するための別コードを持つ非交叉空間を持つ調音形状を表すArticulated Signed Distance Function (A-SDF)を導入する。 我々は,部分形状,調音状態,関節型,関節軸,関節位置に関する事前知識を仮定しない。 この不等角連続表現により, 調音入力を制御でき, 関節角度が未知覚のインスタンスを制御できることを実証する。 さらに,推論中にモデルを調整するためのテスト時間適応推論アルゴリズムを提案する。 本モデルは,偏点雲や実世界の奥行き画像など,分布外データや未認識データによく一般化する。

関連論文リスト

• REACTO: Reconstructing Articulated Objects from a Single Video [64.89760223391573]
  関節の柔軟な変形を維持しつつ各部の剛性を向上する新しい変形モデルを提案する。 提案手法は, 従来よりも高忠実度な3D再構成を実現する上で, 従来の手法よりも優れていた。
  論文  参考訳（メタデータ） (2024-04-17T08:01:55Z)
• Latent Partition Implicit with Surface Codes for 3D Representation [54.966603013209685]
  一つの3次元形状を潜在空間の部品の集合として表現する新しい暗黙表現を導入する。 我々は,グローバルな形状モデリングを複数の局所的な部分モデリングにキャストする能力から,Latent Partition Implicit (LPI) と名付けた。
  論文  参考訳（メタデータ） (2022-07-18T14:24:46Z)
• Deep Active Latent Surfaces for Medical Geometries [51.82897666576424]
  形状先行は、ノイズや不完全なデータから3次元形状を再構成する際に有効であることが知られている。 本稿では,各頂点に別個の潜在ベクトルを持つ3次元メッシュの形状を表すハイブリッドアプローチを提案する。 推論のために、潜伏ベクトルは空間正規化制約を課しながら独立に更新される。 これにより、フレキシビリティと一般化能力の両方が得られ、いくつかの医療画像処理タスクで実演できることが示される。
  論文  参考訳（メタデータ） (2022-06-21T10:33:32Z)
• Implicit Shape Completion via Adversarial Shape Priors [46.48590354256945]
  部分点雲の完全化のためのニューラル暗黙的形状法を提案する。 条件付きDeep-SDFアーキテクチャと学習済みの逆形状の事前処理を組み合わせる。 我々はPointNet++識別器を訓練し、生成元が可塑性で一貫した再構成を生成することを示唆する。
  論文  参考訳（メタデータ） (2022-04-21T12:49:59Z)
• GIFS: Neural Implicit Function for General Shape Representation [23.91110763447458]
  3次元形状の一般インプリシット関数 (GIFS) は, 一般形状を表す新しい手法である。 3D空間を事前に定義された内側の領域に分割する代わりに、GIFSは2つの点が任意の表面で分離されているかどうかを符号化する。 ShapeNetの実験では、GIFSは再現性、レンダリング効率、視覚的忠実度の観点から、従来の最先端手法よりも優れていた。
  論文  参考訳（メタデータ） (2022-04-14T17:29:20Z)
• SPAMs: Structured Implicit Parametric Models [30.19414242608965]
  本研究では,非剛体物体の動きを形状とポーズの部分的不整合表現に構造的に分解する変形可能なオブジェクト表現として,構造化単純パラメトリックモデル(SPAM)を学習する。 複雑な変形物体の動きの深度配列の復元と追跡において、我々の部分認識形状とポーズ理解が最先端のパフォーマンスに繋がることを示す実験を行った。
  論文  参考訳（メタデータ） (2022-01-20T12:33:46Z)
• Disentangled Implicit Shape and Pose Learning for Scalable 6D Pose Estimation [44.8872454995923]
  単一オートエンコーダを用いた複数オブジェクトの合成データに対する自己教師付き学習により,スケーラブルな6次元ポーズ推定のための新しい手法を提案する。 提案手法は,T-LESS と NOCS REAL275 という実データを持つ2つのマルチオブジェクトベンチマークで検証し,ポーズ推定精度と一般化の点で既存の RGB 法より優れていることを示す。
  論文  参考訳（メタデータ） (2021-07-27T01:55:30Z)
• Neural Articulated Radiance Field [90.91714894044253]
  本稿では,画像から学習した明瞭な物体に対する新しい変形可能な3次元表現であるニューラルArticulated Radiance Field(NARF)を提案する。 実験の結果,提案手法は効率的であり,新しいポーズにうまく一般化できることがわかった。
  論文  参考訳（メタデータ） (2021-04-07T13:23:14Z)
• Deep Implicit Templates for 3D Shape Representation [70.9789507686618]
  深い暗黙表現における明示的な対応推論を支援する新しい3次元形状表現を提案する。 我々のキーとなる考え方は、テンプレートの暗黙関数の条件変形としてDIFを定式化することである。 提案手法は,形状の集合に対する一般的な暗黙テンプレートを学習するだけでなく,すべての形状を相互に同時に対応させることも可能であることを示す。
  論文  参考訳（メタデータ） (2020-11-30T06:01:49Z)

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。