論文の概要: Unsupervised Learning for Cuboid Shape Abstraction via Joint Segmentation from Point Clouds

• arxiv url: http://arxiv.org/abs/2106.03437v1
• Date: Mon, 7 Jun 2021 09:15:16 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-08 17:42:42.062682
• Title: Unsupervised Learning for Cuboid Shape Abstraction via Joint Segmentation from Point Clouds
• Title（参考訳）: 点雲からの関節分割による立方体形状抽象化の教師なし学習
• Authors: Kaizhi Yang and Xuejin Chen
• Abstract要約: 複雑な3Dオブジェクトを、形状抽象化として知られる単純な幾何学的原始体として表現することは、幾何学的モデリング、構造解析、形状合成において重要である。 本研究では、点雲をコンパクトな立方体表現にマッピングするための教師なし形状抽象化法を提案する。
• 参考スコア（独自算出の注目度）: 8.156355030558172
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Representing complex 3D objects as simple geometric primitives, known as shape abstraction, is important for geometric modeling, structural analysis, and shape synthesis. In this paper, we propose an unsupervised shape abstraction method to map a point cloud into a compact cuboid representation. We jointly predict cuboid allocation as part segmentation and cuboid shapes and enforce the consistency between the segmentation and shape abstraction for self-learning. For the cuboid abstraction task, we transform the input point cloud into a set of parametric cuboids using a variational auto-encoder network. The segmentation network allocates each point into a cuboid considering the point-cuboid affinity. Without manual annotations of parts in point clouds, we design four novel losses to jointly supervise the two branches in terms of geometric similarity and cuboid compactness. We evaluate our method on multiple shape collections and demonstrate its superiority over existing shape abstraction methods. Moreover, based on our network architecture and learned representations, our approach supports various applications including structured shape generation, shape interpolation, and structural shape clustering.
• Abstract（参考訳）: 複雑な3Dオブジェクトを、形状抽象化として知られる単純な幾何学的原始体として表現することは、幾何学的モデリング、構造解析、形状合成において重要である。 本稿では,点雲をコンパクトな立方体表現にマッピングするための教師なし形状抽象化手法を提案する。 我々は, 部分分節と立方体形状としての立方体配置を共同で予測し, 自己学習のための分節と形状抽象の整合性を強制する。 本研究では, 可変オートエンコーダネットワークを用いて, 入力点雲をパラメトリックキューブの集合に変換する。 セグメンテーションネットワークは、ポイントキューブイド親和性を考慮して、各点をキューブイドに割り当てる。 点雲の部分の手動アノテーションがなければ,幾何学的類似性と立方体コンパクト性の観点から2つの枝を共同で監督する4つの新たな損失をデザインする。 提案手法を複数形状集合において評価し,既存の形状抽象法よりも優れていることを示す。 さらに, ネットワークアーキテクチャと学習表現に基づいて, 構造形状の生成, 形状補間, 構造形状クラスタリングなどの様々な応用を支援する。

関連論文リスト

• ShapeMatcher: Self-Supervised Joint Shape Canonicalization, Segmentation, Retrieval and Deformation [47.94499636697971]
  本稿では,関節形状の正準化,分節化,検索,変形を行うための自己教師型学習フレームワークであるShapeMatcherを提案する。 ShapeMakerの重要な洞察は、標準化、セグメンテーション、検索、変形という4つの高関連プロセスの同時トレーニングである。
  論文  参考訳（メタデータ） (2023-11-18T15:44:57Z)
• Geometrically Consistent Partial Shape Matching [50.29468769172704]
  3次元形状の対応を見つけることは、コンピュータビジョンとグラフィックスにおいて重要な問題である。 しばしば無視されるが、整合幾何学の重要な性質は整合性である。 本稿では,新しい整数型線形計画部分形状整合式を提案する。
  論文  参考訳（メタデータ） (2023-09-10T12:21:42Z)
• ANISE: Assembly-based Neural Implicit Surface rEconstruction [12.745433575962842]
  本稿では,部分的な観測から3次元形状を再構成するANISEについて述べる。 形状は神経暗黙の関数の集合として定式化され、それぞれが異なる部分のインスタンスを表す。 本研究では,部品表現を暗黙の関数に復号化して再構成を行う場合,画像とスパース点の雲から最先端の部品認識再構成結果が得られることを示す。
  論文  参考訳（メタデータ） (2022-05-27T00:01:40Z)
• Representing Shape Collections with Alignment-Aware Linear Models [17.635846912560627]
  3次元点雲の古典的表現を線形形状モデルとして再考する。 私たちの重要な洞察は、ディープラーニングを活用して、アフィン変換として形状の集合を表現することです。
  論文  参考訳（メタデータ） (2021-09-03T16:28:34Z)
• Primal-Dual Mesh Convolutional Neural Networks [62.165239866312334]
  本稿では,グラフ・ニューラル・ネットワークの文献からトライアングル・メッシュへ引き起こされた原始双対のフレームワークを提案する。 提案手法は,3次元メッシュのエッジと顔の両方を入力として特徴付け,動的に集約する。 メッシュ単純化の文献から得られたツールを用いて、我々のアプローチに関する理論的知見を提供する。
  論文  参考訳（メタデータ） (2020-10-23T14:49:02Z)
• 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)
• SSN: Shape Signature Networks for Multi-class Object Detection from Point Clouds [96.51884187479585]
  点雲から形状情報を探索する新しい3次元形状シグネチャを提案する。 対称, 凸船体, チェビシェフフィッティングの操作を取り入れることで, 提案した形状のシグ・ナチュアはコンパクトで有効であるだけでなく, 騒音にも頑健である。 実験により,提案手法は2つの大規模データセット上の既存手法よりも著しく優れた性能を示した。
  論文  参考訳（メタデータ） (2020-04-06T16:01:41Z)
• Unsupervised Learning of Intrinsic Structural Representation Points [50.92621061405056]
  3次元形状の学習構造は、コンピュータグラフィックスと幾何学処理の分野における根本的な問題である。 本稿では,3次元構造点の形で新しい構造表現を学習するための簡易かつ解釈不能な手法を提案する。
  論文  参考訳（メタデータ） (2020-03-03T17:40:00Z)

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。