論文の概要: Shape Completion via IMLE

• arxiv url: http://arxiv.org/abs/2106.16237v1
• Date: Wed, 30 Jun 2021 17:45:10 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-01 16:12:55.085067
• Title: Shape Completion via IMLE
• Title（参考訳）: IMLEによる形状仕上げ
• Authors: Himanshu Arora, Saurabh Mishra, Shichong Peng, Ke Li, Ali Mahdavi-Amiri
• Abstract要約: 形状完了は部分的なスキャンなどの部分的な入力形状を完了させる問題である。 本稿では,一対多のマッピングを効果的に学習できる新しいマルチモーダル形状補完手法を提案する。 本手法は, 形状の完全性と多様性の観点から, 代替案よりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 9.716911810130576
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Shape completion is the problem of completing partial input shapes such as partial scans. This problem finds important applications in computer vision and robotics due to issues such as occlusion or sparsity in real-world data. However, most of the existing research related to shape completion has been focused on completing shapes by learning a one-to-one mapping which limits the diversity and creativity of the produced results. We propose a novel multimodal shape completion technique that is effectively able to learn a one-to-many mapping and generates diverse complete shapes. Our approach is based on the conditional Implicit MaximumLikelihood Estimation (IMLE) technique wherein we condition our inputs on partial 3D point clouds. We extensively evaluate our approach by comparing it to various baselines both quantitatively and qualitatively. We show that our method is superior to alternatives in terms of completeness and diversity of shapes
• Abstract（参考訳）: 形状補完は部分スキャンのような部分入力形状を完備する問題である。 この問題は、現実世界のデータにおける隠蔽や疎結合といった問題により、コンピュータビジョンやロボット工学において重要な応用を見出す。 しかし, 形状完成に関する既存の研究の多くは, 結果の多様性と創造性を制限した1対1のマッピングを学習することで, 形状完成に重点を置いている。 本稿では,一対多のマッピングを効果的に学習し,多様な完全形状を生成する,新しいマルチモーダル形状補完手法を提案する。 提案手法は,部分的な3次元点雲に入力を条件付けする条件付きImplicit MaximumLikelihood Estimation (IMLE)技術に基づいている。 定量的にも定性的にも,様々なベースラインと比較することで,我々のアプローチを広く評価する。 形状の完全性と多様性の観点から,本手法が代替手法よりも優れていることを示す。

関連論文リスト

• Beyond Complete Shapes: A quantitative Evaluation of 3D Shape Matching Algorithms [41.95394677818476]
  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、グラフィックスなどにおいて重要な問題である。 我々は、挑戦的な部分的な形状マッチングシナリオの手続き生成のための汎用的で柔軟なフレームワークを提供する。 手動で7つの既存の(完全な幾何学)形状マッチングデータセット間のクロスデータセット対応を作成し、合計2543個の形状を生成する。
  論文  参考訳（メタデータ） (2024-11-05T21:08:19Z)
• Self-supervised 3D Point Cloud Completion via Multi-view Adversarial Learning [61.14132533712537]
  我々は、オブジェクトレベルとカテゴリ固有の幾何学的類似性の両方を効果的に活用するフレームワークであるMAL-SPCを提案する。 私たちのMAL-SPCは3Dの完全な監視を一切必要とせず、各オブジェクトに1つの部分点クラウドを必要とするだけです。
  論文  参考訳（メタデータ） (2024-07-13T06:53:39Z)
• 3D Shape Completion on Unseen Categories:A Weakly-supervised Approach [61.76304400106871]
  未確認のカテゴリから完全な形状を再構築するための、新しい弱教師付きフレームワークを導入する。 まず,各カテゴリから得られたデータを利用して粗い形状を推定する,エンドツーエンドの事前支援型形状学習ネットワークを提案する。 さらに, 粗い形状をさらに洗練させるために, 自己教師型形状改善モデルを提案する。
  論文  参考訳（メタデータ） (2024-01-19T09:41:09Z)
• Diverse Shape Completion via Style Modulated Generative Adversarial Networks [0.0]
  形状完了は、部分的な観察から物体の完全な3次元形状を復元することを目的としている。 この問題は本質的にマルチモーダルであり、形状の欠落した領域を確実に完備化する方法が多数存在する。 本稿では,部分観測点雲の多種多様な完備化を実現できる条件生成対向ネットワークを提案する。
  論文  参考訳（メタデータ） (2023-11-18T23:40:20Z)
• Human as Points: Explicit Point-based 3D Human Reconstruction from Single-view RGB Images [78.56114271538061]
  我々はHaPと呼ばれる明示的なポイントベース人間再構築フレームワークを導入する。 提案手法は,3次元幾何学空間における完全明示的な点雲推定,操作,生成,洗練が特徴である。 我々の結果は、完全に明示的で幾何学中心のアルゴリズム設計へのパラダイムのロールバックを示すかもしれない。
  論文  参考訳（メタデータ） (2023-11-06T05:52:29Z)
• 3D Textured Shape Recovery with Learned Geometric Priors [58.27543892680264]
  本技術報告では,学習した幾何学的先入観を取り入れて,限界に対処するアプローチを提案する。 我々は、学習したポーズ予測からSMPLモデルを生成し、それを部分的な入力に融合させ、人体の事前知識を追加する。 また、異なるレベルのスケールを扱うために、新しい完全性を考慮したバウンディングボックス適応を提案する。
  論文  参考訳（メタデータ） (2022-09-07T16:03:35Z)
• PatchRD: Detail-Preserving Shape Completion by Learning Patch Retrieval and Deformation [59.70430570779819]
  本稿では,3次元形状の欠落領域の幾何学的詳細化に焦点を当てたデータ駆動型形状補完手法を提案する。 私たちの重要な洞察は、部分的な入力から完全な欠落したリージョンへのパッチのコピーとデフォームです。 部分的な入力からパッチを抽出することで繰り返しパターンを活用し、ニューラルネットワークを用いてグローバルな構造的先行点を学習し、検索と変形の手順を導出する。
  論文  参考訳（メタデータ） (2022-07-24T18:59:09Z)
• Unsupervised 3D Shape Completion through GAN Inversion [116.27680045885849]
  本稿では,GAN(Generative Adrial Network)インバージョンを導入したShapeInversionについて紹介する。 ShapeInversionは、与えられた部分入力に最も適した完全な形状を与える潜在コードを探すことで、完全な形状で事前訓練されたGANを使用する。 shapenetベンチマークでは、shapeinversion は sota unsupervised メソッドよりも優れており、ペアデータを用いて学習される教師ありメソッドに匹敵する。
  論文  参考訳（メタデータ） (2021-04-27T17:53:46Z)
• Multimodal Shape Completion via Conditional Generative Adversarial Networks [34.51271516263473]
  形状取得装置から部分的データを取得するための深層学習法が提案されている。 我々は,一対多のマッピングを学習することで,複数の出力で部分的な形状を完成させようとする。 我々は条件付き生成モデルを用いて部分的な形状を完遂する最初のマルチモーダル形状補完法を開発した。
  論文  参考訳（メタデータ） (2020-03-17T13:37:52Z)

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。