論文の概要: Learning 3D Dense Correspondence via Canonical Point Autoencoder

• arxiv url: http://arxiv.org/abs/2107.04867v1
• Date: Sat, 10 Jul 2021 15:54:48 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-14 06:57:43.006200
• Title: Learning 3D Dense Correspondence via Canonical Point Autoencoder
• Title（参考訳）: 標準点オートエンコーダを用いた3次元距離対応学習
• Authors: An-Chieh Cheng, Xueting Li, Min Sun, Ming-Hsuan Yang, Sifei Liu
• Abstract要約: 同一カテゴリの3次元形状間の密接な対応を予測できる標準点オートエンコーダ(CPAE)を提案する。 オートエンコーダは、2つの重要な機能を実行する: (a) 任意に順序付けられた点雲を標準プリミティブに符号化し、 (b) プリミティブを元の入力インスタンス形状に復号する。
• 参考スコア（独自算出の注目度）: 108.20735652143787
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose a canonical point autoencoder (CPAE) that predicts dense correspondences between 3D shapes of the same category. The autoencoder performs two key functions: (a) encoding an arbitrarily ordered point cloud to a canonical primitive, e.g., a sphere, and (b) decoding the primitive back to the original input instance shape. As being placed in the bottleneck, this primitive plays a key role to map all the unordered point clouds on the canonical surface and to be reconstructed in an ordered fashion. Once trained, points from different shape instances that are mapped to the same locations on the primitive surface are determined to be a pair of correspondence. Our method does not require any form of annotation or self-supervised part segmentation network and can handle unaligned input point clouds. Experimental results on 3D semantic keypoint transfer and part segmentation transfer show that our model performs favorably against state-of-the-art correspondence learning methods.
• Abstract（参考訳）: 同一カテゴリの3次元形状間の密接な対応を予測できる標準点オートエンコーダ(CPAE)を提案する。 オートエンコーダは、2つの重要な機能を実行する: (a) 任意に順序付けられた点クラウドを標準的なプリミティブ、例えば球体に符号化し、(b) プリミティブを元の入力インスタンス形状に復号する。 ボトルネックに置かれているように、このプリミティブは、すべての無秩序点雲を正準面上にマッピングし、順序付けされた方法で再構築する重要な役割を果たす。 一度訓練すると、原始曲面上の同じ位置にマッピングされた異なる形状のインスタンスからのポイントは、対応のペアであると決定される。 本手法ではアノテーションや自己管理部分分割ネットワークを一切必要とせず,不整合入力点雲を処理できる。 3次元セマンティクスキーポイント転送と部分セグメンテーション伝達の実験結果は,本モデルが最先端対応学習法に対して有利に機能することを示す。

関連論文リスト

• Learning SO(3)-Invariant Semantic Correspondence via Local Shape Transform [62.27337227010514]
  RISTと呼ばれる局所形状変換を用いた自己教師型回転不変3次元対応学習システムを提案する。 RISTは、挑戦的なクラス内変分と任意の向きの下でも、形状間の密接な対応を確立することを学ぶ。 RISTは、任意の回転点雲対に与えられる3D部分ラベル転送とセマンティックキーポイント転送の最先端性能を示す。
  論文  参考訳（メタデータ） (2024-04-17T08:09:25Z)
• Zero-Shot 3D Shape Correspondence [67.18775201037732]
  本稿では,3次元形状間の対応性を計算するためのゼロショット手法を提案する。 我々は、最近の基礎モデルの言語と視覚における例外的な推論能力を活用している。 提案手法は, 強い非等尺形状の間において, ゼロショット方式で高確率な結果をもたらす。
  論文  参考訳（メタデータ） (2023-06-05T21:14:23Z)
• Learning Implicit Functions for Dense 3D Shape Correspondence of Generic Objects [21.93671761497348]
  新規な暗黙関数は、部分埋め込み空間内の各3次元点を表す確率的埋め込みを生成する。 本研究では,部分埋め込みベクトルから対応する3次元点への逆関数マッピングにより,密度の高い対応性を実現する。 提案アルゴリズムは,対象形状の対応性を示す信頼スコアを自動的に生成する。
  論文  参考訳（メタデータ） (2022-12-29T11:57:47Z)
• SE(3)-Equivariant Attention Networks for Shape Reconstruction in Function Space [50.14426188851305]
  本稿では,第1のSE(3)-equivariant coordinate-based networkを提案する。 入力を正規格子に整列させる従来の形状再構成法とは対照的に、不規則で無向な点雲を直接操作する。 提案手法は,従来のSO(3)-equivariant法,およびSO(3)-augmented dataで訓練された非equivariant法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-04-05T17:59:15Z)
• ConDor: Self-Supervised Canonicalization of 3D Pose for Partial Shapes [55.689763519293464]
  ConDorは、完全および部分的な3次元点雲の3次元配向と位置を正準化することを学ぶ自己教師型手法である。 推測中,本手法は任意のポーズで完全あるいは部分的な3次元点の雲を抽出し,同変正則のポーズを出力する。
  論文  参考訳（メタデータ） (2022-01-19T18:57:21Z)
• Implicit Autoencoder for Point-Cloud Self-Supervised Representation Learning [39.521374237630766]
  最もポピュラーでアクセスしやすい3D表現、すなわち点雲は、下層の連続した3D表面の離散的なサンプルを含む。 この離散化プロセスは3次元形状のサンプリングのバリエーションを導入し、真の3次元幾何学の伝達可能な知識を開発するのが困難になる。 標準的なオートエンコーディングパラダイムでは、エンコーダは3D形状だけでなく、3D形状の特定の離散サンプリングに関する情報を潜在コードにエンコードする。 これは、デコーダによって再構成された点雲が、原点と再構成された点との完全なマッピングがない限り、受け入れられないためである。
  論文  参考訳（メタデータ） (2022-01-03T18:05:52Z)
• Learning Implicit Functions for Topology-Varying Dense 3D Shape Correspondence [21.93671761497348]
  本研究の目的は, トポロジ変化物体の高密度な3次元形状対応を教師なしで学習することである。 我々の新しい暗黙関数は、各3次元点に対する部分埋め込みベクトルを生成する。 我々は,部分埋め込みから対応する3次元点への逆関数マッピングにより,密度の高い対応性を実現する。
  論文  参考訳（メタデータ） (2020-10-23T11:52:06Z)
• PointGMM: a Neural GMM Network for Point Clouds [83.9404865744028]
  点雲は3次元形状の一般的な表現であるが、形状の先行や非局所的な情報を考慮せずに特定のサンプリングを符号化する。 本稿では,形状クラスの特徴であるhGMMの生成を学習するニューラルネットワークであるPointGMMを提案する。 生成モデルとして、PointGMMは既存の形状間の整合性を生成できる有意義な潜在空間を学習することを示す。
  論文  参考訳（メタデータ） (2020-03-30T10:34:59Z)

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。