論文の概要: PR-RRN: Pairwise-Regularized Residual-Recursive Networks for Non-rigid Structure-from-Motion

• arxiv url: http://arxiv.org/abs/2108.07506v1
• Date: Tue, 17 Aug 2021 08:39:02 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-18 19:49:47.251633
• Title: PR-RRN: Pairwise-Regularized Residual-Recursive Networks for Non-rigid Structure-from-Motion
• Title（参考訳）: PR-RRN:Pairwise-Regularized Residual-Recursive Networks for Non-rigid Structure-from-Motion
• Authors: Haitian Zeng, Yuchao Dai, Xin Yu, Xiaohan Wang, Yi Yang
• Abstract要約: PR-RRNは、非剛性構造移動のための新しいニューラルネットワークベースの手法である。 再建をさらに規則化するための2つの新しいペアワイズ正規化を提案する。 提案手法は,CMU MOCAPとPASCAL3D+データセットの最先端性能を実現する。
• 参考スコア（独自算出の注目度）: 58.75694870260649
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose PR-RRN, a novel neural-network based method for Non-rigid Structure-from-Motion (NRSfM). PR-RRN consists of Residual-Recursive Networks (RRN) and two extra regularization losses. RRN is designed to effectively recover 3D shape and camera from 2D keypoints with novel residual-recursive structure. As NRSfM is a highly under-constrained problem, we propose two new pairwise regularization to further regularize the reconstruction. The Rigidity-based Pairwise Contrastive Loss regularizes the shape representation by encouraging higher similarity between the representations of high-rigidity pairs of frames than low-rigidity pairs. We propose minimum singular-value ratio to measure the pairwise rigidity. The Pairwise Consistency Loss enforces the reconstruction to be consistent when the estimated shapes and cameras are exchanged between pairs. Our approach achieves state-of-the-art performance on CMU MOCAP and PASCAL3D+ dataset.
• Abstract（参考訳）: 我々は,NRSfM(Non-rigid Structure-from-Motion)のためのニューラルネットワークに基づく新しい手法であるPR-RRNを提案する。 PR-RRNはResidual-Recursive Networks (RRN)と2つの追加正規化損失からなる。 RRNは、新しい残留再帰構造を持つ2次元キーポイントから3次元形状とカメラを効果的に回収するように設計されている。 NRSfMは制約の少ない問題であるため、再編成をさらに規則化するための2つの新しいペアワイズ正規化を提案する。 剛性に基づくPairwise Contrastive Lossは、高剛性対のフレームの表現を低剛性対よりも高い類似性を促進することによって、形状表現を規則化する。 対の剛性を測定するために最小特異値比を提案する。 ペアワイズ一貫性損失(Pairwise Consistency Loss)は、推定形状とカメラがペア間で交換されるときに、一貫した再構築を強制する。 提案手法は,CMU MOCAPとPASCAL3D+データセットの最先端性能を実現する。

関連論文リスト

• Scalable Non-Cartesian Magnetic Resonance Imaging with R2D2 [6.728969294264806]
  本研究では,非電子磁気共鳴画像再構成のための新しい手法を提案する。 我々は「Residual to-Residual DNN series for high range imaging (R2D2)」を利用する。
  論文  参考訳（メタデータ） (2024-03-26T17:45:06Z)
• Stable Nonconvex-Nonconcave Training via Linear Interpolation [51.668052890249726]
  本稿では,ニューラルネットワークトレーニングを安定化(大規模)するための原理的手法として,線形アヘッドの理論解析を提案する。 最適化過程の不安定性は、しばしば損失ランドスケープの非単調性によって引き起こされるものであり、非拡張作用素の理論を活用することによって線型性がいかに役立つかを示す。
  論文  参考訳（メタデータ） (2023-10-20T12:45:12Z)
• Neural Poisson Surface Reconstruction: Resolution-Agnostic Shape Reconstruction from Point Clouds [53.02191521770926]
  我々は,3次元形状を点から復元するという課題に対処する形状再構成アーキテクチャであるニューラルポアソン表面再構成(nPSR)を導入する。 nPSRには2つの大きな利点がある: まず、高分解能評価において同等の性能を達成しつつ、低分解能データの効率的なトレーニングを可能にする。 全体として、ニューラル・ポアソン表面の再構成は、形状再構成における古典的なディープニューラルネットワークの限界を改良するだけでなく、再構築品質、走行時間、分解能非依存の観点からも優れた結果が得られる。
  論文  参考訳（メタデータ） (2023-08-03T13:56:07Z)
• Intensity Profile Projection: A Framework for Continuous-Time Representation Learning for Dynamic Networks [50.2033914945157]
  本稿では、連続時間動的ネットワークデータのための表現学習フレームワークIntensity Profile Projectionを提案する。 このフレームワークは3つの段階から構成される: 対の強度関数を推定し、強度再構成誤差の概念を最小化する射影を学習する。 さらに、推定軌跡の誤差を厳密に制御する推定理論を開発し、その表現がノイズに敏感な追従解析に利用できることを示す。
  論文  参考訳（メタデータ） (2023-06-09T15:38:25Z)
• Residual Multiplicative Filter Networks for Multiscale Reconstruction [24.962697695403037]
  我々は,学習した再構成の周波数サポートをきめ細かな制御で粗大な最適化を可能にする,新しい座標ネットワークアーキテクチャとトレーニング手法を提案する。 これらの修正によって、自然画像への粗大なフィッティングのマルチスケール最適化が実現されることを示す。 次に, 単粒子Creo-EM再構成問題に対する合成データセットのモデル評価を行った。
  論文  参考訳（メタデータ） (2022-06-01T20:16:28Z)
• Robust lEarned Shrinkage-Thresholding (REST): Robust unrolling for sparse recover [87.28082715343896]
  我々は、モデルミス特定を前進させるのに堅牢な逆問題を解決するためのディープニューラルネットワークについて検討する。 我々は,アルゴリズムの展開手法を根底にある回復問題のロバストバージョンに適用することにより,新しい堅牢なディープニューラルネットワークアーキテクチャを設計する。 提案したRESTネットワークは,圧縮センシングとレーダイメージングの両問題において,最先端のモデルベースおよびデータ駆動アルゴリズムを上回る性能を示す。
  論文  参考訳（メタデータ） (2021-10-20T06:15:45Z)
• Iterative Self-consistent Parallel Magnetic Resonance Imaging Reconstruction based on Nonlocal Low-Rank Regularization [5.044434916475804]
  反復型自己整合性並列画像再構成(SPIRiT)は, PMRIの有効自己校正再構成モデルである。 NLR正則化をSPIRiTモデルに組み込んだ非局所低ランク(NLR)-SPIRiTモデルを提案する。
  論文  参考訳（メタデータ） (2021-08-10T08:45:28Z)
• Group-based Bi-Directional Recurrent Wavelet Neural Networks for Video Super-Resolution [4.9136996406481135]
  ビデオ超解像(VSR)は、低解像度(LR)フレームから高解像度(HR)フレームを推定することを目的としている。 VSRの鍵となる課題は、フレーム内の空間的相関と連続フレーム間の時間的依存を効果的に活用することにある。
  論文  参考訳（メタデータ） (2021-06-14T06:36:13Z)
• A Deep-Unfolded Reference-Based RPCA Network For Video Foreground-Background Separation [86.35434065681925]
  本稿では,ロバスト主成分分析(RPCA)問題に対するディープアンフォールディングに基づくネットワーク設計を提案する。 既存の設計とは異なり,本手法は連続するビデオフレームのスパース表現間の時間的相関をモデル化することに焦点を当てている。 移動MNISTデータセットを用いた実験により、提案したネットワークは、ビデオフォアグラウンドとバックグラウンドの分離作業において、最近提案された最先端のRPCAネットワークより優れていることが示された。
  論文  参考訳（メタデータ） (2020-10-02T11:40:09Z)
• Deep Network Interpolation for Accelerated Parallel MR Image Reconstruction [14.151673559127753]
  並列MR画像再構成を高速化するためのディープネットワーク戦略を提案する。 特に、L1とSSIMの損失を持つアンロールスキームで定式化されたソースモデルと、逆損失で訓練されたソースモデルとのパラメータ空間におけるネットワークについて検討する。
  論文  参考訳（メタデータ） (2020-07-12T13:58:07Z)

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。