論文の概要: CSG-Stump: A Learning Friendly CSG-Like Representation for Interpretable Shape Parsing

• arxiv url: http://arxiv.org/abs/2108.11305v1
• Date: Wed, 25 Aug 2021 16:08:39 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-26 14:51:15.115276
• Title: CSG-Stump: A Learning Friendly CSG-Like Representation for Interpretable Shape Parsing
• Title（参考訳）: CSG-Stump:解釈可能な形状解析のための学習フレンドリーなCSGライクな表現
• Authors: Daxuan Ren, Jianmin Zheng, Jianfei Cai, Jiatong Li, Haiyong Jiang, Zhongang Cai, Junzhe Zhang, Liang Pan, Mingyuan Zhang, Haiyu Zhao, Shuai Yi
• Abstract要約: CSG-Stump Netは、ポイントクラウドから形状を学習するための教師なしのエンドツーエンドネットワークである。 CSG-Stumpは表現の点でCSGと等価であることが証明されている。
• 参考スコア（独自算出の注目度）: 78.48427573572778
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generating an interpretable and compact representation of 3D shapes from point clouds is an important and challenging problem. This paper presents CSG-Stump Net, an unsupervised end-to-end network for learning shapes from point clouds and discovering the underlying constituent modeling primitives and operations as well. At the core is a three-level structure called {\em CSG-Stump}, consisting of a complement layer at the bottom, an intersection layer in the middle, and a union layer at the top. CSG-Stump is proven to be equivalent to CSG in terms of representation, therefore inheriting the interpretable, compact and editable nature of CSG while freeing from CSG's complex tree structures. Particularly, the CSG-Stump has a simple and regular structure, allowing neural networks to give outputs of a constant dimensionality, which makes itself deep-learning friendly. Due to these characteristics of CSG-Stump, CSG-Stump Net achieves superior results compared to previous CSG-based methods and generates much more appealing shapes, as confirmed by extensive experiments. Project page: https://kimren227.github.io/projects/CSGStump/
• Abstract（参考訳）: 点雲から3次元形状の解釈可能かつコンパクトな表現を生成することは重要かつ困難な問題である。 本稿では,ポイントクラウドから形状を学習し,基礎となる構成的モデリングプリミティブや操作も発見するための教師なしエンドツーエンドネットワークcsg-stump netを提案する。 コアには、下部に相補層、中央に交叉層、上部に結合層からなる、 {\em CSG-Stump} と呼ばれる3層構造がある。 CSG-StumpはCSGと同値であることが証明されており、CSGの複雑な木構造から解放しながらCSGの解釈可能でコンパクトで編集可能な性質を継承している。 特にCSG-Stumpは単純で規則的な構造であり、ニューラルネットワークは一定の次元の出力を与えることができ、深い学習がしやすい。 csg-stumpの特性により,csg-stump netは従来のcsg-stump法よりも優れた結果を示し,広範な実験で確認されたようにより魅力的な形状を生成する。 プロジェクトページ: https://kimren227.github.io/projects/CSGStump/

関連論文リスト

• A Survey of Methods for Converting Unstructured Data to CSG Models [2.106713911600559]
  入力データのセグメンテーションやフィッティングなどの関連トピックをレビューし、議論する。 プログラム合成、進化的手法、深層学習手法のアプローチを考察する。
  論文  参考訳（メタデータ） (2023-05-02T06:19:50Z)
• SGFormer: Semantic Graph Transformer for Point Cloud-based 3D Scene Graph Generation [46.14140601855313]
  本稿では,ポイントクラウドベースの3Dシーングラフ生成のためのSGFormer,Semantic Graph TransFormerという新しいモデルを提案する。 このタスクは、ポイントクラウドベースのシーンをセマンティックな構造グラフに解析することを目的としている。
  論文  参考訳（メタデータ） (2023-03-20T11:59:23Z)
• D$^2$CSG: Unsupervised Learning of Compact CSG Trees with Dual Complements and Dropouts [9.525699080723152]
  D$2$CSGは2つの二重および相補的なネットワーク分岐からなるニューラルモデルであり、ドロップアウトを持つ。 ネットワークは2次プリミティブの固定階組立により3次元形状を再構築するように訓練されている。 D$2$CSGは、既存の代替品よりも優れた品質とより自然なプリミティブを持つコンパクトなCSG再構成を実現する。
  論文  参考訳（メタデータ） (2023-01-27T02:13:14Z)
• CP-Net: Contour-Perturbed Reconstruction Network for Self-Supervised Point Cloud Learning [53.1436669083784]
  本稿では,CP-Net(Contour-Perturbed Restruction Network)を提案する。 分類では、ModelNet40(92.5%の精度)とScanObjectNN(87.9%の精度)の完全教師付き手法で競合する結果を得る。
  論文  参考訳（メタデータ） (2022-01-20T15:04:12Z)
• HS3: Learning with Proper Task Complexity in Hierarchically Supervised Semantic Segmentation [81.87943324048756]
  本稿では,タスクの複雑さによって意味のある表現を学習するためのセグメンテーションネットワークの中間層を監督するトレーニングスキームである階層的意味論(Hierarchically Supervised Semantic,HS3)を提案する。 提案するHS3-Fuseフレームワークはセグメンテーション予測をさらに改善し、2つの大きなセグメンテーションベンチマークであるNYUD-v2とCityscapesで最先端の結果を得る。
  論文  参考訳（メタデータ） (2021-11-03T16:33:29Z)
• TA-Net: Topology-Aware Network for Gland Segmentation [71.52681611057271]
  本研究では, 密集した腺と高度に変形した腺を正確に分離する新しいトポロジ・アウェア・ネットワーク(TA-Net)を提案する。 TA-Netはマルチタスク学習アーキテクチャを持ち、腺セグメンテーションの一般化を強化する。 2つのデータセットで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2021-10-27T17:10:58Z)
• PIG-Net: Inception based Deep Learning Architecture for 3D Point Cloud Segmentation [0.9137554315375922]
  そこで我々はPIG-Netと呼ばれるインセプションに基づくディープネットワークアーキテクチャを提案し,点雲の局所的および大域的幾何学的詳細を効果的に特徴付ける。 我々は2つの最先端データセット上でPIG-Netアーキテクチャの徹底的な実験的解析を行う。
  論文  参考訳（メタデータ） (2021-01-28T13:27:55Z)
• UCSG-Net -- Unsupervised Discovering of Constructive Solid Geometry Tree [6.605824452872053]
  既存の3次元形状復元へのアプローチは、制御され、プロセス中に事前に与えられるCSGプリミティブツリー全体が必要となる。 本モデルでは,操作のパラメータを予測し,その表現を微分可能なインジケータ関数で解析する。 我々のモデルは解釈可能であり、ソフトウェアで使用できることを示す。
  論文  参考訳（メタデータ） (2020-06-16T12:13:37Z)
• 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)
• Subspace Capsule Network [85.69796543499021]
  SubSpace Capsule Network (SCN) はカプセルネットワークのアイデアを利用して、エンティティの外観や暗黙的に定義された特性のバリエーションをモデル化する。 SCNは、テスト期間中にCNNと比較して計算オーバーヘッドを発生させることなく、識別モデルと生成モデルの両方に適用することができる。
  論文  参考訳（メタデータ） (2020-02-07T17:51:56Z)

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。