論文の概要: DiGS : Divergence guided shape implicit neural representation for unoriented point clouds

• arxiv url: http://arxiv.org/abs/2106.10811v1
• Date: Mon, 21 Jun 2021 02:10:03 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-22 16:02:44.103636
• Title: DiGS : Divergence guided shape implicit neural representation for unoriented point clouds
• Title（参考訳）: DiGS : 無向点雲に対する拡散誘導形暗黙的ニューラル表現
• Authors: Yizhak Ben-Shabat, Chamin Hewa Koneputugodage, Stephen Gould
• Abstract要約: 本稿では,通常のベクトルを入力として必要としない分岐ガイド型形状表現学習手法を提案する。 距離関数の発散にソフト制約を組み込むことで、各点における未知の正規値に整合する勾配を確実に指向する滑らかな解が好まれることを示す。 本研究では, 面再構成作業における提案手法の有効性を評価し, 他の非オブジェクト指向手法と比較して最先端性能, 指向性手法と比較してオンパー性能を示す。
• 参考スコア（独自算出の注目度）: 37.45142124758582
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neural shape representations have recently shown to be effective in shape analysis and reconstruction tasks. Existing neural network methods require point coordinates and corresponding normal vectors to learn the implicit level sets of the shape. Normal vectors are often not provided as raw data, therefore, approximation and reorientation are required as pre-processing stages, both of which can introduce noise. In this paper, we propose a divergence guided shape representation learning approach that does not require normal vectors as input. We show that incorporating a soft constraint on the divergence of the distance function favours smooth solutions that reliably orients gradients to match the unknown normal at each point, in some cases even better than approaches that use ground truth normal vectors directly. Additionally, we introduce a novel geometric initialization method for sinusoidal shape representation networks that further improves convergence to the desired solution. We evaluate the effectiveness of our approach on the task of surface reconstruction and show state-of-the-art performance compared to other unoriented methods and on-par performance compared to oriented methods.
• Abstract（参考訳）: ニューラル形状表現は近年,形状解析や再構成作業に有効であることが示されている。 既存のニューラルネットワーク手法では、形状の暗黙のレベルセットを学ぶために点座標と対応する正規ベクトルを必要とする。 通常のベクトルは生のデータとして提供されないことが多いため、前処理段階として近似と再配向が必要であり、どちらもノイズを引き起こす可能性がある。 本稿では,通常のベクトルを入力として必要としない分岐誘導型形状表現学習手法を提案する。 距離関数の発散にソフト制約を組み込むことは、各点における未知の正規に一致する勾配を確実に指向する滑らかな解を好んでおり、場合によっては、基底真理正規ベクトルを直接使用するアプローチよりもさらに優れていることを示す。 さらに,所望の解への収束をさらに向上する正弦波形状表現ネットワークの幾何学的初期化手法を提案する。 本研究では, 面再構成作業における提案手法の有効性を評価し, 他の非オブジェクト指向手法と比較して最先端性能, 指向性手法と比較してオンパー性能を示す。

関連論文リスト

• NeuralGF: Unsupervised Point Normal Estimation by Learning Neural Gradient Function [55.86697795177619]
  3次元点雲の正規推定は3次元幾何処理の基本的な課題である。 我々は,ニューラルネットワークが入力点雲に適合することを奨励する,ニューラルグラデーション関数の学習のための新しいパラダイムを導入する。 広範に使用されているベンチマークの優れた結果から,本手法は非指向性および指向性正常推定タスクにおいて,より正確な正規性を学習できることが示されている。
  論文  参考訳（メタデータ） (2023-11-01T09:25:29Z)
• Neural Gradient Learning and Optimization for Oriented Point Normal Estimation [53.611206368815125]
  本研究では,3次元点雲から勾配ベクトルを一貫した向きで学習し,正規推定を行うためのディープラーニング手法を提案する。 局所平面幾何に基づいて角距離場を学習し、粗勾配ベクトルを洗練する。 本手法は,局所特徴記述の精度と能力の一般化を図りながら,グローバル勾配近似を効率的に行う。
  論文  参考訳（メタデータ） (2023-09-17T08:35:11Z)
• Neural Vector Fields: Implicit Representation by Explicit Learning [63.337294707047036]
  ニューラルベクトル場 (Neural Vector Fields, NVF) という新しい3次元表現法を提案する。 メッシュを直接操作するための明示的な学習プロセスを採用するだけでなく、符号なし距離関数(UDF)の暗黙的な表現も採用している。 提案手法は,まず表面への変位クエリを予測し,テキスト再構成として形状をモデル化する。
  論文  参考訳（メタデータ） (2023-03-08T02:36:09Z)
• GeoUDF: Surface Reconstruction from 3D Point Clouds via Geometry-guided Distance Representation [73.77505964222632]
  スパース点雲から離散曲面を再構成する問題に対処する学習ベース手法であるGeoUDFを提案する。 具体的には、UDFのための幾何誘導学習法とその勾配推定を提案する。 予測されたUDFから三角形メッシュを抽出するために,カスタマイズされたエッジベースマーチングキューブモジュールを提案する。
  論文  参考訳（メタデータ） (2022-11-30T06:02:01Z)
• Neural Fields as Learnable Kernels for 3D Reconstruction [101.54431372685018]
  本稿では,学習したカーネルリッジの回帰に基づいて,暗黙の3次元形状を再構成する手法を提案する。 本手法は,3次元オブジェクトと大画面をスパース指向の点から再構成する際の最先端の処理結果を実現する。
  論文  参考訳（メタデータ） (2021-11-26T18:59:04Z)
• Deep Point Cloud Normal Estimation via Triplet Learning [12.271669779096076]
  点雲の新しい正規推定法を提案する。 a) 局所パッチの表現を学習する特徴符号化と(b) 学習した表現を入力として取り、通常のベクトルを回帰する正規推定である。 本手法は,シャープな特徴を保存し,CAD形状の正常な推定結果を改善する。
  論文  参考訳（メタデータ） (2021-10-20T11:16:00Z)
• Deep Magnification-Flexible Upsampling over 3D Point Clouds [103.09504572409449]
  本稿では,高密度点雲を生成するためのエンドツーエンド学習ベースのフレームワークを提案する。 まずこの問題を明示的に定式化し、重みと高次近似誤差を判定する。 そこで我々は,高次改良とともに,統一重みとソート重みを適応的に学習する軽量ニューラルネットワークを設計する。
  論文  参考訳（メタデータ） (2020-11-25T14:00:18Z)
• Sketchy Empirical Natural Gradient Methods for Deep Learning [20.517823521066234]
  本研究では,大規模ディープラーニング問題に対する効率的なスケッチ型経験勾配法 (SENG) を提案する。 SENGの分散バージョンは、非常に大規模なアプリケーション向けにも開発されている。 ImageNet-1kのタスクResNet50では、SENGは41時間以内に75.9%のTop-1テストの精度を達成した。
  論文  参考訳（メタデータ） (2020-06-10T16:17:09Z)
• Implicit Geometric Regularization for Learning Shapes [34.052738965233445]
  生データから直接高忠実度暗黙的ニューラル表現を計算するための新しいパラダイムを提供する。 提案手法は,従来の手法と比較して,高い精度と忠実度を有する暗黙的ニューラル表現の状態を導出することを示す。
  論文  参考訳（メタデータ） (2020-02-24T07:36:32Z)

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。